[論文レビュー] Maximizing profit using recommender systems

Aparna Das, Claire Mathieu+1 more|ArXiv.org|Aug 25, 2009

Recommender Systems and Techniques参考文献 12被引用数 34

ひとこと要約

本稿では、従来の推薦をアイテムの利益性を考慮して調整する利益認識型推薦システムを提案する。類似性制約を通じてユーザーの信頼を保ちつつ、ユーザーの好みとのDice類似度閾値内で最適化することで、ベンダーの利益を約22%向上させる。標準推薦からのずれは10%にとどまる。

ABSTRACT

Traditional recommendation systems make recommendations based solely on the customer's past purchases, product ratings and demographic data without considering the profitability the items being recommended. In this work we study the question of how a vendor can directly incorporate the profitability of items into its recommender so as to maximize its expected profit while still providing accurate recommendations. Our approach uses the output of any traditional recommender system and adjust them according to item profitabilities. Our approach is parameterized so the vendor can control how much the recommendation incorporating profits can deviate from the traditional recommendation. We study our approach under two settings and show that it achieves approximately 22% more profit than traditional recommendations.

研究の動機と目的

• 従来の推薦システムが精度のみを重視し、アイテムの利益性を無視するというギャップを是正すること。
• ユーザーの信頼を損なうことなく、ベンダーが期待利益を最大化できるようにすること。
• 従来の推薦精度と利益最大化の間で制御可能なトレードオフを実現する手法を開発すること。
• 任意の既存の推薦システムに統合可能な汎用的フレームワークを提供すること。

提案手法

• 本手法は予測されたユーザー評価ベクトル $\vec{c}$ を用い、それを期待利益を最大化しつつ、$\vec{c}$ と類似性を保つ推薦ベクトル $\vec{r}$ に調整する。
• 信頼の指標としてDice類似度係数が用いられ、推薦が予測されたユーザーの好みに近いことを保証する。
• 最適化問題は、期待利益 $E_p(\vec{r}) = \sum_i p_i r_i$ を最大化し、制約 $Dice(\vec{r}) \geq \tau$ を満たす形で定式化される。
• 各意思決定ステップにおいて、可能な利益値の二分探索を実施し、各ステップでラグランジュ乗数問題を解く。
• 各候補利益値 $V$ に対して、$\sum_i (p_i - V)r_i \geq 0$ かつ $Dice(\vec{r}) \geq \tau$ を満たす可能な $\vec{r}$ が存在するかを判断する意思決定問題を設定する。
• 各部分問題の解はラグランジュ乗数を用いて導出され、$r_i$ は $p_i$、$c_i$、およびラグランジュ乗数 $\lambda$ の閉形式で表される。

実験結果

リサーチクエスチョン

• RQ1 ベンダーは、ユーザーの信頼を損なうことなく、どのようにアイテムの利益性を推薦に組み込むことができるか？
• RQ2 推薦精度と利益最大化の間に最適なトレードオフをどのように設定できるか？
• RQ3 利益認識型推薦システムは、ユーザー満足度を維持したまま顕著な利益向上を達成できるか？
• RQ4 類似性制約および利益制約の下で、最適化問題をどのように効率的に解けるか？

主な発見

• 提案手法は、従来の推薦システムと比較してベンダーの利益を約22%向上させる。
• 標準推薦からのずれが10%にとどまる範囲で、利益の向上は約22%に達する。
• 利益値の二分探索と反復的ラグランジュ乗数最適化により、近似的に最適な解が得られる。
• 本手法は汎用的であり、予測されたユーザー評価を提供する任意の既存の推薦システムに統合可能である。
• ユーザー評価の観察されたばらつきから、Dice類似度係数を信頼の指標として用いることは実証的に妥当である。