[論文レビュー] Personalizing Similar Product Recommendations in Fashion E-commerce

Pankaj Agarwal, Sreekanth Vempati+1 more|arXiv (Cornell University)|Jun 29, 2018

Recommender Systems and Techniques参考文献 15被引用数 12

ひとこと要約

本論文では、ファッション通販における類似商品推薦のパーソナライズ化を、アイテム同士の協調フィルタリングと行列分解を用いたユーザーレベルの好みモデリングを組み合わせたハイブリッドアプローチで提案する。非パーソナライズドの類似度スコアとユーザーフレンドリーな埋め込みの重み付き融合により、暗黙のフィードバックを用いた大規模な Myntra データセットで、非パーソナライズドベースライン比で平均平均精度（MAP@15）を 8.5% 向上させた。

ABSTRACT

In fashion e-commerce platforms, product discovery is one of the key components of a good user experience. There are numerous ways using which people find the products they desire. Similar product recommendations is one of the popular modes using which users find products that resonate with their intent. Generally these recommendations are not personalized to a specific user. Traditionally, collaborative filtering based approaches have been popular in the literature for recommending non-personalized products given a query product. Also, there has been focus on personalizing the product listing for a given user. In this paper, we marry these approaches so that users will be recommended with personalized similar products. Our experimental results on a large fashion e-commerce platform (Myntra) show that we can improve the key metrics by applying personalization on similar product recommendations.

研究の動機と目的

• ユーザー固有の好みが無視される非パーソナライズドな類似商品推薦の限界を解消すること。
• 製品の特徴で明確に表現できない嗜好を持つユーザーのための製品発見を向上させること。
• 明示的評価に依存せずに、類似商品推薦パイプラインにユーザーレベルのパーソナライゼーションを統合すること。
• 暗黙のクリックストリームデータから得られるユーザーパーソナライズド信号と非パーソナライズド類似度スコアを組み合わせることでランク付けを最適化すること。
• 大規模なファッション通販プラットフォーム（Myntra）上で、実世界の指標を用いて本手法の有効性を検証すること。

提案手法

• 候補生成では、学習済みの製品埋め込みのコサイン類似度に基づき、各クエリに対して上位 100 個の類似商品をアイテム同士の協調フィルタリングで特定する。
• ユーザーパーソナライズドモデリングでは、クリック、カートへの追加、購入などの暗黙のフィードバックを用いて BPR-行列分解を実行し、ユーザーフレンドリーな埋め込みを学習する。
• 非パーソナライズド類似度スコアとユーザーパーソナライズドスコアの線形結合が最終的なランクスコアを形成し、両者をバランスさせる学習可能なハイパーパrameter α が使用される。
• 暗黙のフィードバックはグリッドサーチを用いて重み付けされ、信号の重要度が最適化される：リストビュー、クリック、カートへの追加、注文の順に (0.25, 1, 1, 1)。
• BPR-MF の信頼パラメータは MAP@15 を最大化するためにチューニングされ、最終モデルでは ALS-MF よりも優れた性能を示したため、BPR-MF が採用された。
• スケーラブルなトレーニングのため、スパースなユーザ-アイテム相互作用を持つ大規模な Myntra データセットに対してマップリダスフレームワークが使用された。

実験結果

リサーチクエスチョン

• RQ1 ユーザーが明確な意図を持たない、または嗜好を明確に表現できない状況において、ユーザーレベルのパーソナライズド推薦がファッション通販における類似商品推薦の関連性を向上させられるか。
• RQ2 暗黙のフィードバックデータ上で、非パーソナライズドアイテム類似度とユーザーレベルの好みモデリングを組み合わせることで、ランク付け性能にどのような影響を与えるか。
• RQ3 ファッション製品向けのハイブリッド推薦モデルにおいて、アイテム同士の類似度とユーザーパーソナライズドスコアの最適なバランスは何か。
• RQ4 クリックと購入などの暗黙のフィードバック信号の重みを変化させた場合、MAP@15 で測定される最終的な推薦品質にどのような影響を与えるか。
• RQ5 本手法は、実世界のファッション通販プラットフォーム上で、非パーソナライズドベースラインを上回る主要なリtrieval指標を達成できるか。

主な発見

• 提案されたハイブリッドモデルは、非パーソナライズドのアイテム同士の協調フィルタリングと比較して、MAP@15 を 8.5% 向上させた。
• 類似度スコアとユーザーパーソナライズドスコアの最適なバランスは、類似度に 80%、ユーザーパーソナライズドスコアに 20%（α = 0.2）の重みを割り当てた場合に達成された。
• 最良の信号重み付け構成は、リストビュー、クリック、カートへの追加、注文の順に (0.25, 1, 1, 1) であり、これにより MAP@15 は 0.0437 に達した。
• イベントの頻度は性能を低下させたため、最終モデルから除外された。
• BPR-MF は、特に信頼パラメータをチューニングした場合、MAP@15 の観点で ALS-MF よりも優れた性能を示した。
• 本手法は、全テスト対象のファッションカテゴリで一貫した性能向上を示し、ハイパーパrameterの変動に対しても安定性を保った。