[논문 리뷰] Scalable Demand-Aware Recommendation

Jinfeng Yi, Cho‐Jui Hsieh외 3명|arXiv (Cornell University)|2017. 02. 21.

Tensor decomposition and applications참고 문헌 17인용 수 9

한 줄 요약

이 논문은 낮은 질서 텐서 완성과 구매 간 간격 추정을 통해 형상 유틸리티와 시간 유틸리티를 동시에 모델링하는 확장 가능한 수요 인식 추천 프레임워크인 DAROSS를 제안한다. 전자상거래에서의 양성-무수지 학습 문제를 해결하기 위해, 구매 의도를 내재된 상품 매력도와 시간적 수요의 조합으로 모델링함으로써, 수백만 명의 사용자와 상품을 포함하는 실제 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Recommendation for e-commerce with a mix of durable and nondurable goods has characteristics that distinguish it from the well-studied media recommendation problem. The demand for items is a combined effect of form utility and time utility, i.e., a product must both be intrinsically appealing to a consumer and the time must be right for purchase. In particular for durable goods, time utility is a function of inter-purchase duration within product category because consumers are unlikely to purchase two items in the same category in close temporal succession. Moreover, purchase data, in contrast to ratings data, is implicit with non-purchases not necessarily indicating dislike. Together, these issues give rise to the positive-unlabeled demand-aware recommendation problem that we pose via joint low-rank tensor completion and product category inter-purchase duration vector estimation. We further relax this problem and propose a highly scalable alternating minimization approach with which we can solve problems with millions of users and millions of items in a single thread. We also show superior prediction accuracies on multiple real-world data sets.

연구 동기 및 목표

• 전통적인 협업 필터링이 전자상거래 환경에서 상품 매력도와 시기성에 따라 수요가 달라지는 점을 고려하지 못하는 한계를 해결하기 위해.
• 장기적인 구매 간격을 가지는 내구재와 같은 상품에 대해 형상 유틸리티와 시간 유틸리티의 병합 효과를 구매 결정에 모델링하기 위해.
• 비구체적 피드백(즉, 비구매가 반드시 부정적인 것은 아님)을 다루기 위해, 이를 양성-무수지(PU) 학습 문제로 프레임워크화하기 위해.
• 수백만 명의 사용자와 상품을 포함하는 대규모 텐서를 다룰 수 있는 확장 가능한 최적화 방법을 개발하기 위해.
• 희박한 비구체적 구매 데이터에서 기저의 유틸리티 텐서를 복구하고, 각 제품 카테고리별로 구매 간 간격을 동시에 추정하기 위해.

제안 방법

• 형상 유틸리티(낮은 질서 텐서로 모델링)와 시간 유틸리티(최근 구매 이후 경과 시간과 구매 간 간격 기반)의 차이로 구매 의도를 정의한다.
• 시간 유틸리티 요소를 반직선 가우시안 분포를 사용해 모델링하여, 구매 간 간격을 초과하면 유틸리티가 감소하도록 한다.
• 형상 유틸리티와 구매 간 간격 벡터를 동시에 최적화하는 목표 함수를 갖는 텐서 핵노름 최소화 문제로 문제를 재구성한다.
• 유틸리티 텐서와 간격 벡터를 번갈아가며 갱신하는 교대 최소화 알고리즘을 제안하며, 효율적인 SVD와 기울기 하강을 통해 확장성을 확보한다.
• 이론적 수렴 보장을 유지하면서도 효율적인 최적화를 가능하게 하기 위해 원래 문제의 완화된 형태를 도입한다.
• 실제 시스템에서의 비구체적 피드백을 반영하기 위해 실수값 유틸리티 텐서를 이진 구매 관측치로 매핑하기 위한 임계값 기반 메커니즘을 사용한다.

실험 결과

연구 질문

• RQ1 형상 유틸리티와 구매 간 간격의 공동 모델링이 비구체적 피드백이 있는 전자상거래 환경에서 추천 정확도를 향상시킬 수 있는가?
• RQ2 시간 유틸리티의 포함이 기저의 구매 의도 텐서의 질서에 어떤 영향을 미치며, 낮은 질서 가정을 위반하더라도 효과적으로 모델링될 수 있는가?
• RQ3 확장 가능한 최적화 알고리즘이 수백만 명의 사용자와 상품을 포함하는 대규모 전자상거래 데이터를 다룰 수 있으며 높은 예측 정확도를 유지할 수 있는가?
• RQ4 구매 간 간격 추정에서 노이즈와 이방값에 대해 제안된 방법은 얼마나 강인한가?
• RQ5 추정된 구매 간 간격이 아이템 랭킹 및 카테고리 예측과 같은 후행 작업을 얼마나 향상시킬 수 있는가?

주요 결과

• DAROSS는 Tmall 및 Amazon Review 데이터셋에서 카테고리, 아이템, 구매 시간 예측 작업 전반에서 여섯 가지 최신 기술 수준의 방법들을 능가하는 최고의 성능을 기록했다.
• 전체 Amazon Review 데이터셋에서 DAROSS는 평균 아이템 랭킹을 16.7%로 달성했으며, 동일한 평가 프로토콜 하에서 WR-MF(27.3%)와 PMF(38.4%)를 크게 앞서는 성능을 보였다.
• 전체 Amazon 데이터셋에서 알고리즘은 단 10회 반복 내에 수렴하고 1시간 이내에 완료되었으며, 770만 개의 아이템을 포함하는 대규모 데이터셋임에도 불구하고 높은 확장성을 입증했다.
• Amazon Review 데이터에서 추정된 구매 간 간격은 내구재(예: 자동차, 악기)와 비내구재(예: 앱, 식품)를 명확히 구분지어, 모델이 의미 있는 시간 패턴을 학습할 수 있음을 검증했다.
• 이방값으로 인해 간격 추정치가 약간 과소 평가되더라도 DAROSS는 기준 모델들에 비해 뚜렷한 성능 우위를 유지하며, PU 공식의 강인함을 확인했다.
• DAROSS의 시간 복잡도는 텐서 크기보다는 구매 기록 수에 의해 지배되며, 이는 희박한 데이터에서의 효율성을 확인한다.