[논문 리뷰] Session-based Complementary Fashion Recommendations

Jui-Chieh Wu, José Antonio Sánchez Rodríguez외 1명|arXiv (Cornell University)|2019. 08. 22.

Recommender Systems and Techniques참고 문헌 14인용 수 5

한 줄 요약

이 논문은 보완 패션 아이템을 위한 세션 기반 신경망 추천 모델인 ZSF-c를 제안한다. 이 모델은 협업 필터링(CF-c)을 개선하기 위해 사용자 세션 데이터, 순서 이벤트, 카테고리 임베딩, 이미지 임베딩을 활용한다. 오프라인에서 Orders Recall@5가 +8.2% 향상되었고, 온라인에서는 구매 제품 수가 +3.24% 증가하여 실제 전자상거래 환경에서 뛰어난 개인화 및 관련성 성능을 입증한다.

ABSTRACT

In modern fashion e-commerce platforms, where customers can browse thousands to millions of products, recommender systems are useful tools to navigate and narrow down the vast assortment. In this scenario, complementary recommendations serve the user need to find items that can be worn together. In this paper, we present a personalized, session-based complementary item recommendation algorithm, ZSF-c, tailored for the fashion usecase. We propose a sampling strategy adopted to build the training set, which is useful when existing user interaction data cannot be directly used due to poor quality or availability. Our proposed approach shows significant improvements in terms of accuracy compared to the collaborative filtering approach, serving complementary item recommendations to our customers at the time of the experiments CF-c. The results show an offline relative uplift of +8.2% in Orders Recall@5, as well as a significant +3.24% increase in the number of purchased products measured in an online A/B test carried out in a fashion e-commerce platform with 28 million active customers.

연구 동기 및 목표

• 기존의 협업 필터링 기반 보완 패션 추천의 한계를 해결하기 위해, 정적 유사도와 희소 데이터에 의존함으로써 커버리지가 낮고 관련성이 떨어지는 문제를 개선한다.
• 보완 패션 아이템에 대해 단기 및 장기 사용자 선호도를 모두 반영하는 개인화된 세션 기반 추천 시스템을 개발한다.
• 풍부한 임베딩과 맞춤형 샘플링 전략을 활용해 사용자 상호작용 시퀀스를 모델링함으로써 추천 정확도와 사용자 참여도를 향상시킨다.
• 2800만 명의 사용자가 있는 대규모 전자상거래 플랫폼에서 오프라인 평가와 온라인 A/B 테스트를 통해 모델 성능을 철저히 검증한다.

제안 방법

• 패션 보완 아이템 예측에 적합하게 수정된 STAMP(단기 주의 우선 모델) 기반의 세션 기반 추천 프레임워크를 채택한다.
• 낮은 품질 또는 가용하지 않은 구매 데이터에 의존하지 않고도 효과적인 사용자 선호도 모델링이 가능한, 새로운 데이터 샘플링 전략을 도입하여 학습 시퀀스를 구성한다.
• 기본 STAMP 모델에 순서 이벤트, 카테고리 임베딩, 이미지 임베딩을 통합하여 보완 관계에 대한 표현 학습을 향상시킨다.
• 학습 시간과 추론 속도에 엄격한 제약 조건이 있는 실시간 운영 환경에서 저지연 추론을 위한 최적화를 수행한다.
• 오프라인 평가에는 리콜 및 주문 기반 메트릭(예: Orders Recall@5)을 조합하여 사용하고, 온라인 성능 검증에는 A/B 테스트를 활용한다.
• 주간 주기의 전면 배포를 통해 주말-주중 편향을 방지하기 위해, 신뢰할 수 있는 온라인 A/B 테스트 결과를 확보하기 위해 오픈소스 통계 분석 라이브러리 ExPan을 적용한다.

실험 결과

연구 질문

• RQ1 세션 기반 신경 모델은 기존의 협업 필터링보다 보완 패션 아이템 추천에서 더 우수한 성능을 보일 수 있는가?
• RQ2 순서 이벤트, 카테고리, 이미지 임베딩을 통합할 경우 세션 기반 보완 패션 추천 성능에 어떤 영향을 미치는가?
• RQ3 제안된 샘플링 전략은 실생활 전자상거래 데이터셋에서의 데이터 품질 및 가용성 문제를 어느 정도 완화하는가?
• RQ4 향상된 모델은 오프라인 메트릭과 실제 온라인 참여도 및 전환율 측면에서 측정 가능한 성과 향상을 이끌어내는가?

주요 결과

• ZSF-c는 기준 모델인 CF-c 대비 오프라인에서 Orders Recall@5가 +8.2% 상승하여 사용자 구매 의도와의 정렬도가 높아졌음을 시사한다.
• 온라인 A/B 테스트에서 모델은 구매 제품 수가 +3.24% 증가하여 실질적인 비즈니스 영향을 입증했다.
• 제거 실험 결과 각 모델 개선 요소(순서 이벤트, 카테고리 임베딩, 이미지 임베딩)가 성능 향상에 점진적으로 기여했으며, 특히 이미지 임베딩이 가장 큰 기여를 했다.
• 온라인 결과에서는 클릭률(CTR)이 +6.23% 상승하여 사용자가 추천 결과에 더 높은 참여도를 보였음을 나타냈다.
• 오프라인 및 온라인 주문 리콜 메트릭은 CTR보다 더 강한 상관관계를 보였으며, 이는 주문 리콜이 실제 성능에 대한 신뢰할 수 있는 대체 지표임을 검증했다.
• 모델는 단기 세션 수준의 선호도와 장기 사용자 행동을 모두 효과적으로 포착하여 개인화 및 관련성 향상을 높였다.