Closed nogawanogawa closed 1 year ago
オンラインショッピングにおいて、ユーザーは様々な形で商品とインタラクションする。 クリックやお気に入り、カートに入れる、購入など。
この行動次第で、おすすめすべきアイテムは変化すると考えられる。
インタラクションの種類を下記のように付与し、これのシーケンスが得られていると考える。
このシーケンスを使用してskipgramによって、それぞれのembeddingを計算する。 学習にはfastTextを使用し、コンテキストウィンドウをm = 5、埋め込み次元をd = 100とした。
ユーザーの行動を下記のようなフローをたどると考える。
purchase > add-to-cart > favorite > view.
シーケンスに対して、不例として、p < Sとなるようにネガティブサンプルを追加して学習を行う。 (カートに追加した後に来るネガティブサンプルは購入、となるように選択する)
ただしこれだと、viewが含まれなくなってしまうので、閲覧されただけのアイテムに対しては(l1, view), (l2, view)のようなviewのネガティブサンプルを追加して学習することにする
no-interactionが、通常のインタラクションの種類を含めず学習したembedding. これよりhit率が高くなっているので、インタラクションの種類を追加して学習するのは良さそう。
候補集合のサイズが十分大きいときには、共同購入よりview-interactionが高くなることが分かる。
embeddingは小さすぎると性能が落ちるらしい。
A/Bの結果CTRが4.1%向上、コンバージョン率、チェックアウト率が0.2%, 0.31%向上
論文URL
https://arxiv.org/abs/1812.04407
著者
Xiaoting Zhao, Raphael Louca, Diane Hu, Liangjie Hong
会議
DAPA ’19
背景
オンラインショッピングにおいて、ユーザーは様々な形で商品とインタラクションする。 クリックやお気に入り、カートに入れる、購入など。
この行動次第で、おすすめすべきアイテムは変化すると考えられる。
目的
アプローチ
ひとことメモ