Learning Item-Interaction Embeddings for User Recommendations

nogawanogawa commented 1 year ago

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

ユーザーとアイテムのインタラクションの種類を考慮して、文脈を考慮した推薦を行う

アプローチ

ユーザーとアイテムのインタラクションの種類ごとの共起パターンを符号化・embeddingする
- インタラクションの種類ごとにembeddingを定義する事で、ユーザーの行動に応じて推薦するアイテムを切り替える

ひとことメモ

nogawanogawa commented 1 year ago

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。

nogawanogawa commented 1 year ago

目的

ユーザーとアイテムのインタラクションの種類を考慮して、文脈を考慮した推薦を行う

アプローチ

ユーザーとアイテムのインタラクションの種類ごとの共起パターンを符号化・embeddingする
- インタラクションの種類ごとにembeddingを定義する事で、ユーザーの行動に応じて推薦するアイテムを切り替える

nogawanogawa commented 1 year ago

手法

モデル化

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。

negative sampling

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

nogawanogawa commented 1 year ago

評価

オフライン

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。

オンライン

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

nogawanogawa / paper_memo