[論文レビュー] Personalized Re-ranking for Improving Diversity in Live Recommender Systems

Yichao Wang, Xiangyu Zhang+5 more|arXiv (Cornell University)|Apr 14, 2020

Recommender Systems and Techniques参考文献 22被引用数 7

ひとこと要約

本稿では、精度を損なわせることなくライブ推薦システムにおける多様性を向上させるために、個人化された決定的ポイントプロセス（pDPP）に基づくパーソナライズド再ランク付けモデルを提案する。個々のユーザーの多様性嗜好をモデル化することで、標準DPPおよびベースラインモデルよりも、オフラインおよびオンラインA/Bテストの両方で優れた性能を発揮し、多様性指標とユーザー参加度に顕著な向上をもたらした。

ABSTRACT

Users of industrial recommender systems are normally suggesteda list of items at one time. Ideally, such list-wise recommendationshould provide diverse and relevant options to the users. However, in practice, list-wise recommendation is implemented as top-N recommendation. Top-N recommendation selects the first N items from candidates to display. The list is generated by a ranking function, which is learned from labeled data to optimize accuracy.However, top-N recommendation may lead to suboptimal, as it focuses on accuracy of each individual item independently and overlooks mutual influence between items. Therefore, we propose a personalized re-ranking model for improving diversity of the recommendation list in real recommender systems. The proposed re-ranking model can be easily deployed as a follow-up component after any existing ranking function. The re-ranking model improves the diversity by employing personalized Determinental Point Process (DPP). DPP has been applied in some recommender systems to improve the diversity and increase the user engagement.However, DPP does not take into account the fact that users may have individual propensities to the diversity. To overcome such limitation, our re-ranking model proposes a personalized DPP to model the trade-off between accuracy and diversity for each individual user. We implement and deploy the personalized DPP model on alarge scale industrial recommender system. Experimental results on both offline and online demonstrate the efficiency of our proposed re-ranking model.

研究の動機と目的

• 独立したアイテムスコアリングに起因する重複・非多様なリストが生じるため、産業用システムにおけるトップN推薦の性能が最適でないという問題に対処する。
• すべてのユーザーに均一な多様性への傾向を仮定する既存のDPPベースの手法の限界を克服する。これは、実際のユーザー行動を反映していない。
• 既存のランク付け関数の後処理として容易にデプロイ可能な再ランク付けコンponentを設計し、後方互換性を保ち、生産環境におけるデプロイリスクを低減する。
• ユーザーの行動履歴から導出される個別多様性嗜好を用いて、関連性と多様性のバランスをモデル化することで、パーソナライズドなトレードオフを実現する。
• 実際の産業的推薦システムにおけるオフライン評価および大規模オンラインA/Bテストを通じて、提案手法の有効性を実証する。

提案手法

• 歴史的相互作用パターンから個々のユーザーの多様性への傾向を推定することで、ユーザー固有の多様性嗜好を学習するパーソナライズドDPP（pDPP）モデルを提案する。
• DPP定式化におけるカーネル行列を、アイテムの関連スコアとペアワイズ類似度の組み合わせとし、ユーザーごとに多様性を制御するパーソナライズドスケーリング要因α₀を導入する。
• 各ユーザーのダウンロード履歴のエントロピーに基づいて、ベースライン多様性レベルを定義する最小エントロピー閾値ℋ_minをモデル化するための学習可能なパラメータlを導入する。
• pDPPを、あらゆる既存のランク付け関数の後処理として再ランク付けレイヤーとしてデプロイし、元の関連スコアを保持しながらリストの多様性を向上させる。
• オフライン評価を用いてハイパーパrameter α₀をキャリブレーションし、関連性と多様性のバランスをとる。MovieLens 1MおよびCompanyデータセットでのパフォーマンスに基づき、α₀ = 0.6が最適と特定された。
• 大規模な産業的推薦システムにおいて、実世界の指標を用いてpDPPをBASEおよび標準DPPモデルと比較するオンラインA/Bテストを実施する。

実験結果

リサーチクエスチョン

• RQ1 多様性嗜好におけるユーザー個々の差を考慮した再ランク付けモデルは、関連性を損なわせることなく推薦リストの多様性を向上させることができるか？
• RQ2 DPPベースの再ランク付けにおいて、均一な多様性仮定と比較して、パーソナライズド多様性モデリングはオフラインおよびオンラインのパフォーマンスでどのように差をつけるか？
• RQ3 パーソナライズド再ランク付けは、実際の産業的システムにおいて、ダウンロード率や1ユーザーあたりの平均ダウンロード数といったユーザー参加度およびビジネス指標をどの程度向上させることができるか？
• RQ4 特に行動履歴がスパースまたは非常に限定的であるユーザーにおいて、ユーザー固有の多様性傾向が再ランク付けの有効性に与える影響は何か？
• RQ5 モジュラーでプラグイン可能な再ランク付けコンponentは、既存のランク付けパイプラインを置き換えることなく、生産環境に効果的にデプロイ可能か？

主な発見

• オンラインA/Bテストにおいて、pDPPはBASEモデルに対して4.32%の相対的多様性向上（ILD）を達成し、標準DPPよりも0.26ポイント優れている。
• pDPPはユーザー参加度指標を向上させた：BASEモデルと比較してダウンロード率が6.52%上昇し、1ユーザーあたりの平均ダウンロード数が3.54%増加した。
• MovieLens 1Mデータセットでは、l=0のpDPPが最良のバランスを達成し、BASEモデルと同等の関連性（P@5 = 0.7051）を維持しながら多様性（ILD@5 = 0.6179）を向上させた。
• α₀ = 0.6のモデルが、avg(P@5, ILD@5)で最高のパフォーマンスを発揮し、オフライン評価において精度と多様性の最適なトレードオフを実現していることが確認された。
• オンライン結果の向上幅はオフラインに比べて小さいものの、App Storeの高い日次取引量を考慮すると、pDPPモデルは年間数百万ドルものビジネス価値をもたらしている。
• 非常にスパースな行動履歴（例：1回のダウンロードのみ）を持つユーザーでは、多様性嗜好の推定が困難であるため、pDPPとDPPの間のオンライン改善幅が小さいことが説明できる。