[논문 리뷰] M2pht: Mixed Models with Preferences and Hybrid Transitions for Next-Basket Recommendation.

Bo Peng, Zhiyun Ren외 2명|arXiv (Cornell University)|2020. 04. 03.

Recommender Systems and Techniques참고 문헌 29인용 수 4

한 줄 요약

이 논문은 다음 바구니 추천을 위해 사용자 선호도, 항목 수준 전이, 바구니 수준 전이를 종합적으로 모델링하는 혼합 모델 M2pht를 제안한다. 하이브리드 전이를 통해 이 세 가지 요소를 통합함으로써, 네 가지 벤치마크 데이터셋에서 기존의 다섯 가지 방법을 능가하는 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Next-basket recommendation considers the problem of recommending a set of items into the next basket that users will purchase as a whole. In this paper, we develop a new mixed model with preferences and hybrid transitions for the next-basket recommendation problem. This method explicitly models three important factors: 1) users' general preferences; 2) transition patterns among items and 3) transition patterns among baskets. We compared this method with 5 state-of-the-art next-basket recommendation methods on 4 public benchmark datasets. Our experimental results demonstrate that our method significantly outperforms the state-of-the-art methods on all the datasets. We also conducted a comprehensive ablation study to verify the effectiveness of the different factors.

연구 동기 및 목표

• 기존의 다음 바구니 추천 방법들이 사용자 선호도, 항목 전이, 바구니 전이를 동시에 모델링하지 못하는 한계를 해결하기 위해.
• 항목과 바구니 간의 다중 수준 전이 패턴을 명시적으로 캡처하여 추천 정확도를 향상시키기 위해.
• 사용자 선호도를 항목 수준 및 바구니 수준 전이 역학과 통합하는 통합 프레임워크를 개발하기 위해.
• 포괄적인 아블레이션 연구를 통해 각 구성 요소의 효과를 검증하기 위해.

제안 방법

• M2pht는 사용자 선호도 임베딩과 항목 및 바구니 수준의 전이 모델링을 결합한 혼합 모델 아키텍처를 사용한다.
• 협업 필터링 방식의 임베딩을 사용하여 개인의 항목 선호도를 캡처함으로써 사용자 선호도를 모델링한다.
• 항목 수준 전이는 바구니 내 항목 간의 순차적 의존성을 캡처하는 전이 행렬을 통해 모델링된다.
• 바구니 수준 전이는 연속적인 바구니 간의 패턴을 캡처하는 별도의 전이 메커니즘을 통해 모델링된다.
• 하이브리드 전이는 게이팅 메커니즘 또는 어텐션 기반 융합을 통해 항목 수준 및 바구니 수준 전이 신호를 융합하여 학습된다.
• 다중 작업 학습 목표를 사용하여 엔드 투 엔드로 훈련되며, 이는 다음 바구니 예측 정확도 최적화를 위한 것이다.

실험 결과

연구 질문

• RQ1 사용자 선호도, 항목 수준 전이, 바구니 수준 전이가 함께 다음 바구니 추천 성능에 미치는 영향는 어떠한가?
• RQ2 항목과 바구니 간의 하이브리드 전이를 모델링하는 것과 각각을 별도로 모델링하는 것과 비교해, 추천 정확도 향상 정도는 어느 정도인가?
• RQ3 모델의 개별 구성 요소(선호도, 항목 전이, 바구니 전이)가 전체 성능에 기여하는 정도는 어떠한가?
• RQ4 제안된 방법은 다양한 실세계 데이터셋, 특히 다양한 사용자 행동 패턴을 가진 데이터셋에서도 일반화 가능한가?

주요 결과

• M2pht는 네 가지 벤치마크 데이터셋 전반에서 기존의 다섯 가지 최신 기술 수준의 다음 바구니 추천 방법을 뛰어넘는다.
• 아블레이션 연구 결과, 사용자 선호도, 항목 수준 전이, 바구니 수준 전이의 세 구성 요소 모두 성능 향상에 의미 있는 기여를 한다.
• 하이브리드 전이 메커니즘이 항목 수준 또는 바구니 수준 전이만을 사용하는 모델보다 측정 가능한 성능 향상을 이룬다.
• 특히 희귀 항목 예측 및 희귀 사용자 시나리오에서 추천 정확도 향상이 일관되게 달성된다.