[論文レビュー] Scalable Demand-Aware Recommendation

Jinfeng Yi, Cho‐Jui Hsieh+3 more|arXiv (Cornell University)|Feb 21, 2017

Tensor decomposition and applications参考文献 17被引用数 9

ひとこと要約

本稿では、低ランクテンソル補完と購買間隔推定を用いて、フォーム効用と時間効用を統合的にモデル化することで、スケーラブルな需要認識推薦フレームワークDAROSSを提案する。eコマースにおける陽性-未ラベル学習の課題に、内在的アイテム魅力と時間的需要の組み合わせとして購買意図をモデル化することで、数百万のユーザーとアイテムを含む実世界のデータセットで最先端の性能を達成する。

ABSTRACT

Recommendation for e-commerce with a mix of durable and nondurable goods has characteristics that distinguish it from the well-studied media recommendation problem. The demand for items is a combined effect of form utility and time utility, i.e., a product must both be intrinsically appealing to a consumer and the time must be right for purchase. In particular for durable goods, time utility is a function of inter-purchase duration within product category because consumers are unlikely to purchase two items in the same category in close temporal succession. Moreover, purchase data, in contrast to ratings data, is implicit with non-purchases not necessarily indicating dislike. Together, these issues give rise to the positive-unlabeled demand-aware recommendation problem that we pose via joint low-rank tensor completion and product category inter-purchase duration vector estimation. We further relax this problem and propose a highly scalable alternating minimization approach with which we can solve problems with millions of users and millions of items in a single thread. We also show superior prediction accuracies on multiple real-world data sets.

研究の動機と目的

• 伝統的な協調フィルタリングの限界を是正するため、eコマースにおいて需要がアイテムの魅力とタイミングの両方に依存することを踏まえる。
• 特に長期間にわたる購買間隔を示す耐久財において、フォーム効用と時間効用の組み合わせ効果を購買意思決定にモデル化する。
• 非購入が明示的に否定的であるとは限らない（曖昧なフィードバック）eコマースの暗黙的フィードバックを、陽性-未ラベル（PU）学習問題として定式化する。
• 数百万のユーザーとアイテムを扱える大規模なテンソルを処理可能なスケーラブルな最適化手法を開発する。
• 製品カテゴリごとの購買間隔を同時に推定し、スパースな暗黙的購買データから潜在的な効用テンソルを回復する。

提案手法

• フォーム効用（低ランクテンソルでモデル化）と時間効用（最後の購入からの経過時間と購買間隔に基づく）の差分として購買意図を定式化する。
• 時間効用要因を、購買間隔を過ぎると効用が低下するRectifiedガウス分布でモデル化する。
• フォーム効用と購買間隔ベクトルの両方を最適化するためのテンソル核ノルム最小化問題として定式化する。
• 効率的なSVDと勾配ステップを用いて、スケーラビリティを確保しながら、効用テンソルと期間ベクトルを交互に更新するアルゴリズムを提案する。
• 理論的収束保証を維持したまま効率的な最適化を可能にするために、元の問題の緩和を導入する。
• 実数値の効用テンソルを二値の購入観測にマッピングするためのしきい値処理機構を導入し、実世界のシステムにおける暗黙的フィードバックを反映する。

実験結果

リサーチクエスチョン

• RQ1 フォーム効用と購買間隔の統合モデルは、暗黙的フィードバックを伴うeコマース環境で推薦精度を向上させることができるか？
• RQ2 時間効用の組み込みが、潜在的購買意図テンソルのランクに与える影響は何か？また、低ランク仮定を満たさない場合でも、効果的にモデル化可能か？
• RQ3 スケーラブルな最適化アルゴリズムは、数百万のユーザーとアイテムを含む大規模eコマースデータを処理しながら、高い予測精度を維持できるか？
• RQ4 購買間隔推定におけるノイズや外れ値に対して、提案手法はどれほど頑健か？
• RQ5 推定された購買間隔は、アイテムランク付けやカテゴリ予測といった下流タスクをどれほど改善できるか？

主な発見

• DAROSSは、TmallおよびAmazon Reviewデータセットの両方で、カテゴリ、アイテム、購入時刻予測タスクにおいて、6つのSOTA手法を上回る最高の性能を達成した。
• 全サイズのAmazon Reviewデータセットにおいて、DAROSSは平均アイテムランク16.7%を達成し、同じ評価プロトコル下でWR-MF（27.3%）やPMF（38.4%）を著しく上回った。
• 全Amazonデータセットにおいて、DAROSSはわずか10イテレーション、1時間で収束し、770万アイテムという大規模さにもかかわらず高いスケーラビリティを示した。
• Amazon Reviewデータにおける推定された購買間隔は、自動車や楽器などの耐久財と、アプリや食品などの消耗財を明確に区別しており、モデルが意味のある時間的パターンを学習できていることを裏付けた。
• 外れ値の影響で推定期間がわずかに低めに評価されても、DAROSSはベースライン手法に比べて顕著な性能優位性を維持しており、PU定式化の頑健性を確認した。
• DAROSSの時間計算量は、テンソルサイズではなく購入記録の数に支配的であり、スパースデータにおける効率性を確認した。