E-commerce in Your Inbox: Product Recommendations at Scale

nogawanogawa commented 2 years ago

論文URL

https://arxiv.org/abs/1606.07154

著者

Mihajlo Grbovic, Vladan Radosavljevic, Nemanja Djuric, Narayan Bhamidipati, Jaikit Savla, Varun Bhagwan, Doug Sharp

会議

KDD'15

背景

現在では、ソーシャルネットワークの運営、メールサービスの運営など、サイトやアプリの訪問者に表示されるネット広告はその資金源となっており、ネット広告ではどのような広告を掲載するかが広告の成功のカギを握っています。

Eメールではネイティブコンテンツと一緒に画像形式のディスプレイ広告が表示されます。(Webメールサービス上での広告のことと予想) これにパーソナライズしようとすると、電子メールのタスクに集中しようとするユーザーに対して、広告が高い関連性を持つことが必要となる。

目的

ユーザーの行動履歴に基づいてパーソナライズ広告を提示

アプローチ

prod2vec
- ユーザーの購入の時系列データに対してNLPモデルを用いて低次元埋め込みを取得
- embeddingを使用してクラスタリングを行い、クラスタ間の遷移確率をモデル化
- 最も確率の高いクラスタから埋め込み空間において最も近い製品を推薦する

nogawanogawa commented 2 years ago

背景

現在では、ソーシャルネットワークの運営、メールサービスの運営など、サイトやアプリの訪問者に表示されるネット広告はその資金源となっており、ネット広告ではどのような広告を掲載するかが広告の成功のカギを握っています。

Eメールではネイティブコンテンツと一緒に画像形式のディスプレイ広告が表示されます。(Webメールサービス上での広告のことと予想) これにパーソナライズしようとすると、電子メールのタスクに集中しようとするユーザーに対して、広告が高い関連性を持つことが必要となる。

nogawanogawa commented 2 years ago

目的

ユーザーの行動履歴に基づいてパーソナライズ広告を提示

アプローチ

prod2vec
- ユーザーの購入の時系列データに対してNLPモデルを用いて低次元埋め込みを取得
- embeddingを使用してクラスタリングを行い、クラスタ間の遷移確率をモデル化
- 最も確率の高いクラスタから埋め込み空間において最も近い製品を推薦する

nogawanogawa commented 2 years ago

prod2vec

ニューラル言語モデルを用いて、過去のログから低次元空間における商品の埋め込み表現を学習する。

メールに記述されているアイテムの時系列をw2vモデルに習って埋め込み表現を取得する。ただし、1つのメールで複数の商品を購入する場合があるため、拡張する。

m番目のメールの中の商品を使って、その前後のメールに記載されている商品を当てるゲームをすることで、埋め込みを学習する。 (同時購入の場合には商品の順序を問わない、skip-gramとは若干異なる)

この埋め込みを利用して、

購入した商品がどのクラスタに属すか計算
次に購入するクラスタの確率を計算
確率の高いクラスタのなかから、購入される確率が高いアイテムを上位k個選んで推薦

また、商品に関する埋め込みを学習するのと同時に、ユーザーに関する埋め込みも学習する

nogawanogawa commented 2 years ago

評価

1日だけならprod2vecが最も精度が良いが、ある程度の再学習するまでに期間を開けることを考えるとbag prod2vec clustが最も安定して精度が高いように見える。

nogawanogawa commented 2 years ago

あんまり面白くないし、古いからここで読むのやめた

nogawanogawa / paper_memo