[논문 리뷰] Beyond Movie Recommendations: Solving the Continuous Cold Start Problem in E-commerce Recommendations

Julia Kiseleva, Alexander Tuzhilin외 7명|arXiv (Cornell University)|2016. 01. 01.

Recommender Systems and Techniques참고 문헌 49인용 수 4

한 줄 요약

이 논문은 전자상거래에서 사용자와 항목이 상호작용 빈도가 적거나 변동성이 높아 오랫동안 '냉각 상태'에 머무는 연속적인 냉각기 문제(Continuous Cold Start Problem, CoCoS)를 해결하기 위해 맥락 기반 사용자 프로필링을 제안한다. 거래 로그에서 암시적 상황적 맥락을 추출해 오프라인에서 사용자 행동 클러스터를 생성함으로써 경량이면서도 영향력 있는 개인화 랭킹을 가능하게 하였으며, Booking.com에서 실시한 A/B 테스트에서 CTR를 20% 향상시켰다.

ABSTRACT

Many e-commerce websites use recommender systems or personalized rankers to personalize search results based on their previous interactions. However, a large fraction of users has no prior inter-actions, making it impossible to use collaborative filtering or rely on user history for personalization. Even the most active users mayvisit only a few times a year and may have volatile needs or different personas, making their personal history a sparse and noisy signal at best. This paper investigates how, when we cannot rely on the user history, the large scale availability of other user interactions still allows us to build meaningful profiles from the contextual data and whether such contextual profiles are useful to customize the ranking, exemplified by data from a major online travel agentBooking.com.Our main findings are threefold: First, we characterize the Continuous Cold Start Problem(CoCoS) from the viewpoint of typical e-commerce applications. Second, as explicit situational con-text is not available in typical real world applications, implicit cues from transaction logs used at scale can capture essential features of situational context. Third, contextual user profiles can be created offline, resulting in a set of smaller models compared to a single huge non-contextual model, making contextual ranking available with negligible CPU and memory footprint. Finally we conclude that, in an online A/B test on live users, our contextual ranker in-creased user engagement substantially over a non-contextual base-line, with click-through-rate (CTR) increased by 20%. This clearly demonstrates the value of contextual user profiles in a real world application.

연구 동기 및 목표

• 사용자와 항목 간의 역사적 상호작용 데이터가 없거나 흐린 경우 개인화 추천의 과제를 해결하는 것 — 이는 여행 및 전자상거래 플랫폼에서 흔한 문제이다.
• 특히 드물게 예약하거나 관심사가 빈번히 변화하는 사용자에게서 암시적 사용자 역학 데이터 없이도 의미 있는 사용자 프로필을 어떻게 만들 수 있을지 탐구하는 것.
• 거래 로그에서 유도된 암시적 신호를 활용해 상황적 선호도를 모델링하는 스케일러블하고 저자원 소비형의 맥락 기반 랭킹 방법을 개발하는 것.
• 맥락 기반 사용자 프로필이 사용자 참여 지표(예: 클릭률 및 사용자당 클릭 수)에 미치는 실제 영향을 평가하는 것.

제안 방법

• 사용자 에이전트, 시간대, 세션 수준의 행동 등 거래 로그에서 암시적 상황적 맥락을 추출해 맥락 기반 사용자 프로필(CUPs)을 유추하는 것.
• 다중 기준 랭킹 특징을 기반으로 유사한 사용자 세션을 k-means 클러스터링으로 그룹화해, 다양한 여행 의도 맥락을 반영하는 별도의 CUPs를 형성하는 것.
• 유클리드 거리 기반으로 들어오는 사용자를 가장 가까운 CUP에 매핑함으로써, 최소한의 계산 비용으로 빠른 온라인 추론을 가능하게 하는 것.
• 각 CUP에 대해 나이브 베이즈 분류기를 훈련시어 도어스티네이션 파인더 시스템에서 여행 목적지에 대한 개인화된 랭킹을 생성하는 것.
• CUPs를 오프라인에서 생성함으로써 단일 큰 비맥락 기반 모델이 아닌, 작고 효율적인 모델 세트를 도입함으로써 CPU 및 메모리 오버헤드를 최소화하는 것.
• A/B 테스트에서 맥락 기반 프로파일링의 영향을 고립시키기 위해 비맥락 기반 베이스라인 랭커를 사용하는 것.

실험 결과

연구 질문

• RQ1 여행 추천 시스템 맥락에서 연속적인 냉각기 문제(CoCoS)는 어떻게 특성화될 수 있는가?
• RQ2 실제 환경에서 비지도 학습 방식으로 다기준 랭킹 데이터로부터 맥락 기반 사용자 프로필을 어떻게 발견하고 정의할 수 있는가?
• RQ3 맥락 기반 사용자 프로필은 연속적인 냉각기 환경에서 어떻게 여행 목적지를 랭킹하는 데 적용될 수 있는가?
• RQ4 맥락 기반 사용자 프로필은 실제 운영 환경에서 사용자 참여도 향상에 얼마나 효과적인가?

주요 결과

• 연속적인 냉각기 문제(CoCoS)는 전자상거래에서 흔히 발생하며, 특히 Booking.com과 같은 여행 플랫폼에서 사용자가 자주 비활성 상태이거나 서로 다른 성격을 빠르게 전환하는 경우에 두드러진다.
• 사용자 에이전트나 시간대와 같은 거래 로그의 암시적 신호는 명시적 맥락 없이도 상황적 맥락의 핵심 특징을 효과적으로 포착할 수 있으며, 이는 강력한 프로필 생성을 가능하게 한다.
• 맥락 기반 사용자 프로필은 오프라인에서 생성되어 작은 효율적인 모델 세트로 활용되며, 단일 큰 비맥락 기반 모델 대비 CPU 및 메모리 오버헤드를 줄일 수 있다.
• 실제 A/B 테스트에서 맥락 기반 랭커는 비맥락 기반 베이스라인 대비 클릭률(CTR)을 20% 향상시키고, 사용자당 클릭 수는 21% 증가시켰다.
• 이 방법은 실질적인 영향을 미치며, 데이터가 부족하고 계속 냉각 상태에 있는 사용자 환경에서도 맥락 기반 프로파일링이 사용자 참여도를 크게 향상시킬 수 있음을 입증한다.
• 이 방법은 스케일러블하며, 사용자 행동이 드물거나 변동성이 큰 전자상거래 및 검색 플랫폼에 적용 가능하며, 유사한 냉각기 문제에 직면한 다른 플랫폼에도 적용 가능하다.