[논문 리뷰] Modeling Personalized Item Frequency Information for Next-basket Recommendation

Haoji Hu, Xiangnan He외 2명|arXiv (Cornell University)|2020. 05. 31.

Recommender Systems and Techniques참고 문헌 37인용 수 10

한 줄 요약

이 논문은 다음 바구니 추천을 햖을 때 개인화된 항목 빈도(PIF)를 명시적으로 모델링하는 k-최근접 이웃(kNN)-기반 방법 TIFU-KNN을 제안한다. 개인의 구매 빈도와 공동 구매 패턴을 모두 반영함으로써, 복잡한 신경망 아키텍처가 없음에도 불구하고 깊이 학습 기반 모델보다 뛰어난 성능을 보이며, 특히 PIF 신호가 중요한 경우에 두각을 나타낸다.

ABSTRACT

Next-basket recommendation (NBR) is prevalent in e-commerce and retail industry. In this scenario, a user purchases a set of items (a basket) at a time. NBR performs sequential modeling and recommendation based on a sequence of baskets. NBR is in general more complex than the widely studied sequential (session-based) recommendation which recommends the next item based on a sequence of items. Recurrent neural network (RNN) has proved to be very effective for sequential modeling and thus been adapted for NBR. However, we argue that existing RNNs cannot directly capture item frequency information in the recommendation scenario. Through careful analysis of real-world datasets, we find that {\em personalized item frequency} (PIF) information (which records the number of times that each item is purchased by a user) provides two critical signals for NBR. But, this has been largely ignored by existing methods. Even though existing methods such as RNN based methods have strong representation ability, our empirical results show that they fail to learn and capture PIF. As a result, existing methods cannot fully exploit the critical signals contained in PIF. Given this inherent limitation of RNNs, we propose a simple item frequency based k-nearest neighbors (kNN) method to directly utilize these critical signals. We evaluate our method on four public real-world datasets. Despite its relative simplicity, our method frequently outperforms the state-of-the-art NBR methods -- including deep learning based methods using RNNs -- when patterns associated with PIF play an important role in the data.

연구 동기 및 목표

• 기존의 RNN 기반 방법에서 忽시되는 두 가지 핵심 신호인 개인의 구매 빈도와 공동 구매 패턴을 식별하고 활용하는 것.
• RNN이 강력한 표현 능력을 지녔음에도 불구하고 추천 설정에서 벡터 덧셈을 학습하지 못하는 이유를 진단하는 것.
• PIF 신호를 직접 캡처하는 단순하지만 효과적인 kNN 기반 방법을 제안하여 추천 정확도를 향상시키는 것.
• 실세계 데이터셋에서 제안된 방법을 평가하고, PIF가 정보를 제공하는 상황에서 최첨단 딥러닝 모델보다 뛰어난 성능을 입증하는 것.

제안 방법

• TIFU-KNN는 사용자의 이전 바구니에서 파생된 사용자 임베딩을 사용하여 항목 빈도 패턴 기반으로 다른 사용자와의 유사도를 계산한다.
• 최근 바구니 내부 그룹 내와 그룹 간에 시간에 따라 감쇠되는 이중 수준의 가중치 설계를 도입하여 시간 동적 패턴을 모델링한다.
• 최종 예측은 사용자별 신호와 공동 신호를 가중치 α를 통해 조합하며, u_t는 개인의 PIF를, u_n는 공동의 PIF를 나타낸다.
• kNN 접근법은 항목 빈도 수를 특징으로 직접 사용하여 신경망 학습이 필요 없고, 빈도 기반 패턴의 명시적 모델링이 가능해진다.
• 최근 구매와 그룹 수준의 패턴을 우선시하기 위해 감쇠 가중치 메커니즘을 통합함으로써 시간 민감도를 향상시킨다.
• 비볼록 학습 최적화 문제를 피하기 위해 RNN의 최적화 과제를 회피하고, 정확한 kNN 검색과 가중치 집계에 의존한다.

실험 결과

연구 질문

• RQ1 기존의 RNN 기반 모델이 다음 바구니 추천에서 개인화된 항목 빈도(PIF) 신호를 왜 포착하지 못하는가?
• RQ2 PIF에서 향상된 다음 바구니 예측에 기여할 수 있는 두 가지 핵심 패턴은 무엇이며, 어떻게 효과적으로 모델링할 수 있는가?
• RQ3 PIF 신호가 데이터에서 중요한 경우, 단순한 kNN 기반 방법이 딥러닝 모델을 능가할 수 있는가?
• RQ4 감쇠된 시간 가중치는 제안된 kNN 방법의 시간 역동성 반영 성능에 어떤 영향을 미치는가?
• RQ5 RNN이 추천 작업에서 벡터 덧셈을 학습하는 데에 본질적인 제약가 있는가? 만약 그렇다면, 이는 성능에 어떤 영향을 미치는가?

주요 결과

• TIFU-KNN은 네 개인 실세계 데이터셋에서 최첨단 RNN 기반 모델을 능가하며, 특히 PIF 패턴이 두드러진 경우에 두각을 나타낸다.
• ValuedShopper 데이터셋에서, 개인적 및 공동 신호를 모두 사용할 경우 Recall@10이 0.2171에 도달하여 개별 구성 요소를 초월한다.
• Instacart 데이터셋에서, 두 신호를 조합했을 경우 Recall@10이 0.3825에 도달하여 최고의 베이스라인을 상당한 격차로 앞서간다.
• 민감도 분석 결과, 최적의 초모수(r_b = 0.9, r_g = 0.9) 설정이 가장 높은 성능을 내며, 이중 감쇠 가중치 설계의 효과를 확인한다.
• 제거 분석 결과, 개인의 PIF(u_t)와 공동의 PIF(u_n)가 성능 향상에 독립적으로 기여하며, 두 신호의 조합이 가장 우수한 성능을 낸다.
• 수많은 데이터셋에서의 성능은 일관되며, 근접 이웃 수(k)와 그룹 수(m)가 변하더라도 베이스라인 대비 일관된 향상을 보였다.