[논문 리뷰] Learning Item-Interaction Embeddings for User Recommendations

Xiaoting Zhao, Raphael Louca외 2명|arXiv (Cornell University)|2018. 12. 11.

Recommender Systems and Techniques참고 문헌 12인용 수 6

한 줄 요약

이 논문은 항목 정체성과 상호작용 유형(예: 보기, 장바구니에 담기, 구매)을 모두 인코딩하는 상호작용 기반 항목 임베딩을 학습하는 새로운 방법을 제안한다. 이는 보다 정확하고 해석 가능한 사용자 추천을 가능하게 한다. 학습된 임베딩를 통해 항목-상호작용 쌍 간의 동시 발생 패턴을 모델링함으로써, 실시간 대규모 추천 시스템에서 후보 세트 선택을 향상시키며, 온라인 A/B 테스트에서 클릭률과 전환율이 향상된다.

ABSTRACT

Industry-scale recommendation systems have become a cornerstone of the e-commerce shopping experience. For Etsy, an online marketplace with over 50 million handmade and vintage items, users come to rely on personalized recommendations to surface relevant items from its massive inventory. One hallmark of Etsy's shopping experience is the multitude of ways in which a user can interact with an item they are interested in: they can view it, favorite it, add it to a collection, add it to cart, purchase it, etc. We hypothesize that the different ways in which a user interacts with an item indicates different kinds of intent. Consequently, a user's recommendations should be based not only on the item from their past activity, but also the way in which they interacted with that item. In this paper, we propose a novel method for learning interaction-based item embeddings that encode the co-occurrence patterns of not only the item itself, but also the interaction type. The learned embeddings give us a convenient way of approximating the likelihood that one item-interaction pair would co-occur with another by way of a simple inner product. Because of its computational efficiency, our model lends itself naturally as a candidate set selection method, and we evaluate it as such in an industry-scale recommendation system that serves live traffic on Etsy.com. Our experiments reveal that taking interaction type into account shows promising results in improving the accuracy of modeling user shopping behavior.

연구 동기 및 목표

• 기존의 공통 발생 기반 후보 세트 선택 방식이 상호작용 유형을 忽시하고 있으며 커버리지가 낮다는 한계를 해결하기 위해.
• 다양한 상호작용 유형(예: 보기 vs. 장바구니에 담기)을 사용자 구매 의도의 지표로 구분함으로써 사용자 의도를 더 정확히 모델링하기 위해.
• 확장 가능한 후보 생성을 위해 항목-상호작용 공통 발생 패턴을 포괄하는 계산 효율적인 임베딩 모델을 개발하기 위해.
• Etsy.com에서 실전 환경에서 오프라인 메트릭과 온라인 A/B 테스트를 통해 방법을 평가하기 위해.

제안 방법

• 모델은 각 항목-상호작용 쌍(예: '항목 A 보기', '항목 B 장바구니에 담기')에 대해 고유한 임베딩 벡터를 학습하며, 항목당 하나의 임베딩이 아닌 방식을 사용한다.
• 학습 중에 음성 샘플링 전략을 사용하여 임베딩 공간에서의 내적을 통한 항목-상호작용 쌍 간의 동시 발생 가능성 최적화를 수행한다.
• 후보 세트는 사용자의 최근 상호작용 임베딩과 가장 가까운(내적 기반) 항목의 임베딩을 찾음으로써 생성되며, 이는 사용자 기반 추천을 가능하게 한다.
• 모델은 명시적 공통 발생을 초월하여, 사용자가 어떤 항목을 좋아할 수 있을 뿐 아니라 어떻게 상호작용할 수 있을지(예: '당신이 봤기 때문에, 장바구니에 담을 수 있을 것입니다')까지 예측한다.
• 이 방법은 Etsy의 홈페이지 추천 시스템에 후보 세트 선택 모듈로 구현되어, 공구 기반 기준 대안으로 대체되었다.
• 온라인 A/B 테스트에서 이중 모듈 설계(보기 항목용 및 장바구니 항목용)를 사용하여 설명 가능성과 개인화를 향상시켰다.

실험 결과

연구 질문

• RQ1 항목 임베딩에 상호작용 유형(예: 보기, 장바구니에 담기)을 모델링하면 사용자 추천 후보 세트의 정확도가 향상되는가?
• RQ2 오프라인 히트율과 온라인 비즈니스 메트릭 측면에서 상호작용 기반 임베딩은 전통적인 공통 발생 기반 방법보다 성능이 뛰어나나?
• RQ3 상호작용 인식 임베딩은 브라우징과 장바구니 담기 행동을 구분하는 등 사용자 의도의 미묘한 차이를 어느 정도 포착할 수 있는가?
• RQ4 임베딩에 상호작용 유형을 포함시키면 실전 환경에서 더 해석 가능하고 실행 가능한 추천이 가능해지는가?

주요 결과

• 상호작용 기반 임베딩 모델은 '당신이 본 것에서 영감을 얻어' 모듈에서 제어군 대비 클릭률 4.1% 향상되었다.
• 치료군은 전환율 0.20% 향상 및 체크아웃율 0.31% 향상으로 사용자 참여도와 구매 가능성 향상을 보였다.
• 오프라인 결과에서는 차원 d=100에서 성능과 계산 비용의 최적 균형을 이룩했으며, d=25일 경우 성능 급격한 하락이 관찰되었다.
• 모델은 기준선 대비 모든 임베딩 차원에서 히트율 성능 향상을 보였으며, 특히 높은 차원에서 가장 큰 성과를 기록했다.
• 두 모듈 배포(보기 vs. 장바구니)는 설명 가능성을 향상시키며 사용자 의도에 기반한 보다 정교한 추천을 가능하게 했다.
• 모델은 오프라인 메트릭과 온라인 A/B 테스트 모두에서 공구 기반 기준 대비 뛰어난 성능을 보이며, 실전 생산 환경에서의 효과성을 입증했다.