[論文レビュー] Inferring Complementary Products from Baskets and Browsing Sessions

Ilya Trofimov|arXiv (Cornell University)|Sep 25, 2018

Recommender Systems and Techniques参考文献 23被引用数 13

ひとこと要約

本稿では、購入カゴと閲覧セッションの両方のデータから同時に製品埋め込みを学習するマルチタスク学習モデルBB2vecを提案する。このアプローチにより、特に低購入頻度製品に対して、冷間スタート問題を効果的に軽減し、複数の電子商取引データセットで最先端の性能を達成する。

ABSTRACT

Complementary products recommendation is an important problem in e-commerce. Such recommendations increase the average order price and the number of products in baskets. Complementary products are typically inferred from basket data. In this study, we propose the BB2vec model. The BB2vec model learns vector representations of products by analyzing jointly two types of data - Baskets and Browsing sessions (visiting web pages of products). These vector representations are used for making complementary products recommendation. The proposed model alleviates the cold start problem by delivering better recommendations for products having few or no purchases. We show that the BB2vec model has better performance than other models which use only basket data.

研究の動機と目的

• 購入行動と閲覧行動の両方のデータを活用することで、電子商取引における補完的製品推薦の冷間スタート問題を解決すること。
• 購入履歴が少ないまたはゼロの製品の推薦精度を、カゴデータとセッションデータを統合することで向上させること。
• 異種のユーザ行動シグナルから共有される製品表現を学習できる、スケーラブルで計算的に効率的なモデルを構築すること。
• カゴと閲覧セッションの同時モデリングが、単一にカゴデータに依存するモデルよりも優れた性能を発揮することを示すこと。

提案手法

• BB2vecは、カゴ内での同時出現と閲覧セッションのパターンの両方を同時に最適化するマルチタスク学習フレームワークを用いて、製品の分散ベクトル表現（埋め込み）を学習する。
• モデルはランキング損失関数を用いたネガティブサンプリングを採用し、真の共起アイテムがネガティブサンプルよりも高い順位に来るように埋め込みを学習する。
• 購入カゴと閲覧セッションの両方から得られる情報に基づいて、製品の共有埋め込み空間を導入することで、データタイプ間の知識移転を可能にする。
• 学習目的はスケーラブルであるように設計されており、大量の閲覧データを効率的に処理できるサンプリングベースのアプローチを採用している。
• モデルは、クエリと正例アイテムの埋め込みのドット積をネガティブサンプルよりも高く保つことを促進するコントラスト型の目的関数を採用している。
• 最終的な推薦スコアは、クエリアイテムの埋め込みと候補アイテムの埋め込みのドット積として、共有空間内で算出される。

実験結果

リサーチクエスチョン

• RQ1 カゴと閲覧セッションの同時モデリングは、単一にカゴデータに依存するモデルと比較して、補完的製品推薦の性能向上に寄与するか？
• RQ2 BB2vecモデルは、購入履歴が少ないまたはゼロの製品に対してどのように性能を発揮するか。すなわち、冷間スタート問題は軽減されるか？
• RQ3 モデルの学習プロセスにおいて、ラーニング・トゥ・ランクの目的関数と分類目的関数のどちらが効果的か？
• RQ4 大量の閲覲セッションデータを処理する際、BB2vecモデルのスケーラビリティはどの程度維持されるか？
• RQ5 スパarsityレベルが異なる複数の電子商取引データセットにおいて、モデルは一般化性能を示すか？

主な発見

• BB2vecは、すべてのデータセットと評価指標で最高の予測性能を達成し、単一にカゴデータに依存する最先端のモデルを上回っている。
• 特にCIKM’16やRecSys’15のようなスパースなデータセットにおいて、購入履歴が少ない製品のHitRate@10が顕著に向上しており、性能差が顕著に現れている。
• ラーニング・トゥ・ランク型のBB2vec（BB2vec, rank.）は、分類型のBB2vec（BB2vec, class.）を上回る性能を示しており、このタスクにおいてはランクベースの最適化がより効果的であることが示された。
• BB2vecは、学習データセットにゼロ回の購入履歴がある製品に対しても推薦を生成でき、カゴのみに依存するモデルにはない能力を有している。
• 効率的なネガティブサンプリング目的関数のおかげで、大量の閲覧データを処理してもモデルのスケーラビリティが維持されている。
• ハイパーパramータチューニングの結果、最適な埋め込み次元数と正則化パラメータはデータセットごとに異なることが判明した。BB2vecはprod2vecよりも小さい次元数（例：d=100）で動作していることから、より高いデータ効率性を示している。