[논문 리뷰] Show Me the Money: Dynamic Recommendations for Revenue Maximization

Wei Lu, Shanshan Chen외 2명|arXiv (Cornell University)|2014. 08. 30.

Consumer Market Behavior and Pricing참고 문헌 20인용 수 7

한 줄 요약

이 논문은 가격, 경쟁, 포화 및 시간적 동적 요소를 통합한 유일한 모델로 동적이고 수익을 극대화하는 추천 프레임워크를 제안한다. 불확실성 하에서 사용자 수용 확률을 모델링하고 매트로이드 이론을 활용한 근사 기법을 적용하여 효율적인 알고리즘을 설계하였으며, 실제 및 합성 데이터셋에서 정적 및 기준 방법보다 뛰어난 성능을 보이며, 확장성과 수익 증대 측면에서 뛰어난 성능을 입증한다.

ABSTRACT

Recommender Systems (RS) play a vital role in applications such as e-commerce and on-demand content streaming. Research on RS has mainly focused on the customer perspective, i.e., accurate prediction of user preferences and maximization of user utilities. As a result, most existing techniques are not explicitly built for revenue maximization, the primary business goal of enterprises. In this work, we explore and exploit a novel connection between RS and the profitability of a business. As recommendations can be seen as an information channel between a business and its customers, it is interesting and important to investigate how to make strategic dynamic recommendations leading to maximum possible revenue. To this end, we propose a novel \model that takes into account a variety of factors including prices, valuations, saturation effects, and competition amongst products. Under this model, we study the problem of finding revenue-maximizing recommendation strategies over a finite time horizon. We show that this problem is NP-hard, but approximation guarantees can be obtained for a slightly relaxed version, by establishing an elegant connection to matroid theory. Given the prohibitively high complexity of the approximation algorithm, we also design intelligent heuristics for the original problem. Finally, we conduct extensive experiments on two real and synthetic datasets and demonstrate the efficiency, scalability, and effectiveness our algorithms, and that they significantly outperform several intuitive baselines.

연구 동기 및 목표

• 기존 추천 시스템이 사용자 유틸리티에 집중하는 데 반해 기업 수익을 고려하지 않는 격차를 보완하기 위해, 특히 동적이고 가격 민감도가 높은 환경에서의 적용을 목적으로 한다.
• 시기, 가격, 경쟁 및 사용자 포화의 전략적 영향이 추천 효과성과 수익 결과에 미치는 영향을 모델링하기 위해.
• 유한 시간 간격 동안 기대 총 수익을 극대화하는 동적 추천 전략을 찾는 'RevMax 문제'를 수립하고 해결하기 위해.
• 가격 변동성과 제품 경쟁 등의 현실적 제약 조건 하에서도 확장 가능하고 효과적인 근사 및 휴리스틱 알고리즘을 개발하기 위해.
• 실제(아마존, 에피니언) 및 합성 데이터셋에서 제안된 방법을 실증적으로 검증하여 기준 방법 대비 뚜렷한 성능 향상을 입증하기 위해.

제안 방법

• 제품 가격, 사용자 평가, 유사 제품 간 경쟁, 반복적인 추천으로 인한 포화 효과를 통합한 동적 수익 모델을 제안한다.
• 가격, 평가 및 추천 이력에 따라 사용자 수용 확률을 모델링하며, 기대 수익 극대화를 중심으로 한다.
• 이완된 R-RevMax 문제와 매트로이드 이론 간의 연결 고리를 설정하여 이론적 보장을 갖춘 근사 알고리즘을 유도한다.
• 기존 RevMax 문제를 위한 탐욕 휴리스틱(G-Greedy)을 개발하여 제약 조건 하에서 마진 수익 증가를 기반으로 추천을 우선순위화한다.
• 가격 분포의 평균, 분산 및 공분산을 포함하여 랜덤 가격에 대한 수익 추정을 두 번째 차수 테일러 전개를 통해 적응시킨다.
• 두 단계 접근 방식을 활용한다: 먼저 데이터에서 파라미터를 추정하고, 그 다음 근사 및 탐욕 알고리즘을 적용하여 최적의 추천 시퀀스를 계산한다.

실험 결과

연구 질문

• RQ1 어떻게 추천 시스템을 설계하여 사용자 유틸리티가 아닌 기업 수익을 극대화할 수 있는가?
• RQ2 동적 가격, 경쟁 및 사용자 포화가 추천 전략의 효과성에 어떤 영향을 미치는가?
• RQ3 미래의 가격 변화를 고려한 동적 추천 전략이 정적, 스냅샷 기반 접근 방식보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ4 동적이고 가격 인지, 경쟁적 제약 조건 하에서 수익 극대화 문제가 NP-난이도인지, 그리고 효율적으로 근사 가능한가?
• RQ5 가격 분포의 분산과 공분산은 기대 수익에 어떤 영향을 미치며, 추천 계획 수립에 활용될 수 있는가?

주요 결과

• 제안된 RevMax 문제는 일반 조건 하에서 NP-난이도임이 증명되어 계산상의 비가역성을 입증한다.
• 매트로이드 이론을 활용한 R-RevMax 문제의 이완된 형태에 대해 이론적 보장이 있는 근사 알고리즘을 개발하였다.
• G-Greedy 휴리스틱은 높은 성능을 기록하며 효과적으로 확장 가능하여 실험에서 넷플릭스 데이터셋의 2.5배 크기의 데이터셋을 처리할 수 있었다.
• 실제 아마존 및 에피니언 데이터셋에서 제안된 알고리즘이 직관적인 기준 방법(반복적인 정적 추천 포함)보다 뚜렷이 뛰어난 성능을 보였다.
• 가격 불확실성의 두 번째 차수 효과를 효과적으로 포착하여 수익 추정 정확도를 향상시키는 테일러 기반 근사가 효과를 보였다.
• 실증 결과는 동적이고 가격 인지 기반의 추천이 단기적 또는 정적 전략보다 훨씬 높은 수익을 창출함을 확인하였다.