[논문 리뷰] Personalizing Similar Product Recommendations in Fashion E-commerce

Pankaj Agarwal, Sreekanth Vempati외 1명|arXiv (Cornell University)|2018. 06. 29.

Recommender Systems and Techniques참고 문헌 15인용 수 12

한 줄 요약

이 논문은 패션 전자상거래에서 유사 제품 추천을 개인화하기 위해 아이템-아이템 협업 필터링과 행렬 분해를 사용한 사용자 수준 선호도 모델링을 조합한 하이브리드 접근법을 제안한다. 익명화된 유사도 점수와 사용자별 임베딩의 가중 융합을 통해 비개인화 기반 모델 대비 평균 평균 정확도(MAP@15)를 8.5% 향상시켰으며, 암시적 피드백을 기반으로 한 대규모 Myntra 데이터셋에서 검증되었다.

ABSTRACT

In fashion e-commerce platforms, product discovery is one of the key components of a good user experience. There are numerous ways using which people find the products they desire. Similar product recommendations is one of the popular modes using which users find products that resonate with their intent. Generally these recommendations are not personalized to a specific user. Traditionally, collaborative filtering based approaches have been popular in the literature for recommending non-personalized products given a query product. Also, there has been focus on personalizing the product listing for a given user. In this paper, we marry these approaches so that users will be recommended with personalized similar products. Our experimental results on a large fashion e-commerce platform (Myntra) show that we can improve the key metrics by applying personalization on similar product recommendations.

연구 동기 및 목표

• 사용자 개별적인 취향을 간과하는 패션 전자상거래에서의 비개인화된 유사 제품 추천의 한계를 해결하기 위해.
• 제품 속성으로 표현할 수 없거나 명확한 의도가 없는 사용자들이 제품 탐색을 보다 효과적으로 할 수 있도록 도와주기 위해.
• 명시적 평점에 의존하지 않고 유저 수준의 개인화를 유사 제품 추천 파이프라인에 통합하기 위해.
• 암시적 클릭스트림 데이터로부터 유도된 사용자 선호도 신호와 비개인화된 유사도 점수를 융합하여 순서를 최적화하기 위해.
• 대규모 패션 전자상거래 플랫폼(Myntra)에서 실제 지표를 사용하여 접근법의 효과성을 검증하기 위해.

제안 방법

• 후보 생성은 학습된 제품 임베딩의 코사인 유사도를 기반으로 각 쿼리에 대해 상위 100개의 유사 제품을 식별하는 아이템-아이템 협업 필터링을 사용한다.
• 사용자 선호도 모델링은 암시적 피드백(클릭, 장바구니 담기, 구매)에 기반한 BPR-행렬 분해를 사용하여 사용자별 임베딩을 학습한다.
• 비개인화된 유사도 점수와 사용자 선호도 점수의 선형 조합이 최종 순위 점수를 형성하며, 이는 두 요소를 균형 잡는 학습 가능한 하이퍼파rameter α로 조정된다.
• 암시적 피드백은 그리드 서치를 통해 최적의 신호 중요도를 도출한다: 각각 list_views, 클릭, 장바구니 담기, 주문에 대해 (0.25, 1, 1, 1)의 가중치를 적용한다.
• BPR-MF의 신뢰도 파rameter는 MAP@15를 최대화하도록 튜닝되며, 최종 모델은 성능이 뛰어난 점수를 기록하여 ALS-MF보다 BPR-MF를 선택한다.
• 희소한 사용자-아이템 상호작용을 가진 대규모 Myntra 데이터셋에서의 확장 가능한 훈련을 위해 맵리듀스 프레임워크를 사용한다.

실험 결과

연구 질문

• RQ1 사용자가 명확한 의도나 표현 가능한 선호도를 갖지 못할 경우, 사용자 수준의 개인화가 패션 전자상거래에서 유사 제품 추천의 관련성 향상에 기여할 수 있는가?
• RQ2 암시적 피드백 데이터에서 비개인화된 아이템 유사도와 사용자별 선호도 모델링을 융합할 경우 순서 매기기 성능에 어떤 영향을 미치는가?
• RQ3 패션 제품을 위한 하이브리드 추천 모델에서 아이템-아이템 유사도와 사용자 선호도 점수 간 최적의 균형은 무엇인가?
• RQ4 암시적 피드백 신호의 가중치(예: 클릭 대비 구매)를 다양하게 조정할 경우, MAP@15로 측정된 최종 추천 품질에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 실제 패션 전자상거래 플랫폼에서 비개인화 기반 모델 대비 주요 검색 지표에서 우수한 성능을 보일 수 있는가?

주요 결과

• 제안된 하이브리드 모델은 비개인화된 아이템-아이템 협업 필터링 대비 MAP@15를 8.5% 향상시켰다.
• 유사도 점수에 80%의 가중치와 사용자 선호도 점수에 20%의 가중치를 적용한 조합(α = 0.2)이 최적의 균형을 이룬다.
• 가장 높은 성능을 기록한 신호 가중치 설정은 각각 list_views, 클릭, 장바구니 담기, 주문에 대해 (0.25, 1, 1, 1)로, MAP@15는 0.0437을 기록했다.
• 이벤트 빈도는 성능을 저하시켜 최종 모델에서 제외되었다.
• BPR-MF는 MAP@15 측면에서 ALS-MF를 능가하며, 특히 신뢰도 파arameter를 튜닝한 경우에 두드러진 성능 향상을 보였다.
• 모델은 테스트된 모든 패션 카테고리에서 일관된 성능 향상을 보였으며, 다양한 하이퍼파rameter 설정에서도 안정적인 성능을 유지했다.