SEQ+MDフレームワークでオンラインショッピングを改善する

オンラインショッピングでは、商品が顧客にどのように表示されるかが彼らの購入選択に大きく影響する。アイテムが買い物客の欲しいものに合った形で表示されると、購入する可能性が高くなる。つまり、検索結果の表示順序は、良いショッピング体験にとって重要なんだ。顧客の興味に基づいてこの順序を変える新しいシステムは、売上や販売商品の全体的な価値を向上させることがわかった。

全世界の顧客に商品を売るためのシステムを作るのは難しい。住んでいる場所に基づいて、買い物には多くの異なる嗜好や伝統があるからだ。私たちの解決策では、異なる文化の買い手に商品を表示する際に、これらの違いを考慮する必要があった。

私たちはSEQ+MDというフレームワークを考案した。これは「マルチタスクをシーケンスとして学習するマルチディストリビューションデータ」の略なんだ。このアプローチは、段階的に学ぶアイデア（シーケンシャルラーニング）と異なる地域からのデータを扱うアイデアを組み合わせている。タスクをシーケンスでリンクさせることで、同時に異なるタイプのデータを管理できるんだ。

テストでは、この方法がカートにアイテムを追加するなどの重要なアクションを改善し、他の人気システムと比較してクリック率を安定させることができた。

#表示アルゴリズムの重要性

オンラインショッピングでは、アイテムが顧客にどう表示されるかを決めるアルゴリズムを設計することが重要だ。効果的な検索アルゴリズムはユーザーエンゲージメントを増やし、それがビジネスの売上につながる。

ユーザーが検索バーにクエリを入力すると、通常は2つのステップが進行する：可能な結果を集めて、それを絞り込むこと。最初に、システムは多くの関連しそうなアイテムを収集する。次に、再ランキングの段階で、最も関連性の高いオプションが最初に表示されるように整理される。

従来の検索方法は、関連するアイテムを見つけるためにパターンに依存することが多い。しかし、機械学習はユーザーによりパーソナライズされた体験を提供できる。同じ検索クエリでも、ユーザーの過去の行動に基づいて異なるリスティングを表示することができる。

#アルゴリズム開発の課題

この目的のために機械学習アルゴリズムを作ることには課題がある。主に2つの大きな問題がある。

最初の課題は、複数のタスクを同時にうまく処理するモデルを作ることだ。Eコマースでは、顧客がアイテムをクリックするだけなのか、実際に購入するのかを理解することが重要なんだ。高いクリックポテンシャルと購入可能性を持つアイテムを予測して、ユーザーのエンゲージメントを保つことが目標だ。

それぞれのタスクに対して1つのモデルを訓練する代わりに、マルチタスク学習を使うと、タスク間で情報を共有できるから、パフォーマンスが向上する。しかし、複数のタスクのバランスを取る方法や、効果的なコミュニケーションを保証することは未だに課題なんだ。

2つ目の課題は、異なる地域からのデータに関することだ。これが情報の複数の分布を生み出す変動を引き起こすことがある。国際製品が見られるグローバル市場では、ローカルの嗜好や文化の違いを理解することが重要だ。例えば、イギリスでは、カナダの買い物客よりもクッキーの箱をギフトとして購入することが多いかもしれない。

このような買い物行動の変動は、データに独特のパターンを生み出す。一部の特徴は、ある地域ではうまく機能しても、別の地域では役立たないかもしれない。私たちの研究は「国」と「地域」を似た用語として扱い、地域の違いが買い物にどう影響するかに焦点を当てている。

既存の方法の多くは、これらの課題を別々に扱うことが多い。現在、これらの問題を一緒に効果的に解決する単一のモデルは存在しない。マルチタスク学習では、方法がタスクを独立して扱うことが多く、それらの自然なシーケンスを無視してしまう。マルチリージョンデータでは、モデルが地域間の違いを考慮せずに訓練されることが多い。

#SEQ+MDとは？

この2つの課題を一緒に解決するために、SEQ+MDフレームワークを提案する。これにより、マルチタスク学習とさまざまな地域からのデータ分布を考慮することができる。

マルチタスクの側面では、いくつかのタスクがシーケンスで行われることを認識している。例えば、ショッピングでは、まず人が商品をクリックしてから、購入する可能性がある。これらのタスクをシーケンスとして学習することで、以前の行動に基づいた予測ができるようになる。

さまざまな地域からの混合データを扱うために、入力特徴を2つのグループに分類する：すべての地域で適用できる特徴と、特定の地域に特有の特徴だ。地域特有の特徴は、特定の特性に基づいて変換される。

私たちの社内データでの初期テストでは、カートに商品を追加するタスクのパフォーマンスが強化され、クリック性能も基準モデルと比較して良好だった。

#マルチタスク学習の概要

マルチタスク学習は、複数のタスクを同時に実行するようにモデルを訓練することを含む。タスク間で情報を共有することで、モデルがより良い特徴を学び、それぞれのタスクで結果を改善できる。マルチタスク学習には、ハードパラメータシェアリングとソフトパラメータシェアリングの2つのタイプがある。

ハードパラメータシェアリングは、すべてのタスクに対してモデルの一部の層を共有し、その他は分離する。一方、ソフトパラメータシェアリングは異なるパラメータを使用するが、異なるタスクの出力を組み合わせる。

どちらのアプローチでも、タスク間の相互作用が重要だ。マルチタスク学習において、タスク間の関係を効果的に利用する方法は非常に少ない。例えば、買い物行動では、人々はしばしば順序的なパターンを示す; 人は購入する前にクリックする傾向がある。

#ユーザーパターンからの学習

過去の研究はユーザーの行動パターンから学ぶ価値を示している。例えば、いくつかのシステムは買い物履歴を分析して将来の購入を予測できる。しかし、多くの研究はタスクをシーケンスとして考慮することを忘れている-これは私たちのフレームワークが埋めようとしているギャップだ。

マルチディストリビューション学習では、モデルはさまざまなソースからデータを使用し、それぞれのソースが異なる特性を持っていることを考慮する。従来の研究は言語の違いに焦点を当てることが多いが、私たちのアプローチは地域特有の信号を取り入れることを目指している。

#SEQ+MDフレームワークの実装

SEQ+MDフレームワークには、マルチタスク学習アーキテクチャ（SEQ）とマルチディストリビューションモジュール（MD）の2つの主要なコンポーネントが含まれている。

#マルチディストリビューションアダプタモジュール（MD）

プロセスの最初の部分では、入力を3つのカテゴリーに分解する：国の特徴（分布の違いを示す）、依存の特徴（地域によって異なる）、および不変の特徴（地域を超えて一貫したデータを保持する）。

国の特徴を使って、依存の特徴を調整するための重みを作成する。これにより、モデルが各地域からのデータの違いを理解しつつ、より広い文脈を忘れずに済む。

#シーケンスでのタスク学習

タスクをシーケンスとして学ぶことは多くの利点を提供する。これにより、モデルはプロセスの後半でより複雑なタスクを優先し、簡単なタスクから得た知識をより難しいタスクに役立てられる。

例えば、購入を予測することはクリックを予測するよりも難しい。モデルがまずクリックについて学ぶと、購入を成功裏に予測する可能性が高くなる。

私たちのフレームワークでは、RNN（再帰型ニューラルネットワーク）をマルチシーケンシャルタスク学習に接続し、各層が前の層からの洞察を共有できるようにしている。こうすることで、単一の入力を段階的に処理し、以前の行動に基づいた予測を得ることができる。

#SEQ+MDフレームワークの結果

私たちは社内データでフレームワークをテストし、重要なタスクのパフォーマンス向上を確認した。基礎モデルであるShared-Bottom Modelが比較の基準となる。SEQ+MDフレームワークを既存の方法に適用すると、タスク全体でさまざまな改善が見られる。

シーケンシャルラーニングアーキテクチャの効果は、私たちのマルチディストリビューションラーニングモジュールとともに評価された。全体的に、SEQモデルは確立されたモデルを上回る結果を示し、特にMDモジュールと組み合わせた場合にはその効果がさらに高まった。

#パフォーマンステスト

私たちの評価に基づき、トレーニング用のデータセットと検証用のデータセットの2つを使用した。パフォーマンスメトリクスは、モデルがクリックや購入をどれだけよく予測できたかに焦点を当てた。

テスト中、結果をプラットフォームに基づいて分けた-ユーザーがウェブまたはモバイルからアクセスしたかどうか。私たちのモデルは既存の方法と比較して、すべてのタスクで一貫して良いパフォーマンスを示した。

#地域の違いへの対処

私たちのフレームワークの重要な利点の1つは、地域の違いに効果的に対処できることだ。単一地域のデータセットに対してモデルを評価した後、私たちの方法が他のモデルよりも市場のローカルな嗜好をよりよく捉えられることが明らかになった。

ユーザーが地元の商品や国際製品を好む地域において、私たちのSEQ+MDフレームワークは、買い物客が興味を持つものを予測する能力が向上することを示した。したがって、地域ごとの異なる嗜好に適応し、よりカスタマイズされたショッピング体験を提供できるようになった。

#今後の方向性

今後、いくつかの領域が改善できる。

#データのノイズ削減

私たちの主な目標は、カート追加アクションなどの複雑なタスクのパフォーマンスを向上させることだったが、クリックがSEQ単独と組み合わせる際に中立的な影響を持つようにすることに潜在的な利点があると考えている。

クリックはしばしば信頼性が低くなることがあり、将来的にはマルチタスク学習におけるタスク特有のノイズに対処する方法に焦点を当てた研究ができるかもしれない。

#地域の違いを超えた拡張

もう1つの改善領域は、MDモジュールを他のタイプのマルチディストリビューションの状況に適応させることだ。例えば、検索パターンはウェブとアプリのプラットフォームで大きく異なるかもしれない。

#結論

結論として、私たちのSEQ+MDフレームワークはオンラインショッピングアルゴリズムの重要な一歩を示している。タスクをシーケンスで学び、地域分布を考慮することで、ユーザーエンゲージメントを向上させるだけでなく、全体的な売上も増加させるシステムを作れるんだ。

私たちの実験は、これら2つの方法の組み合わせが複雑なタスクのパフォーマンスを大幅に改善できることを示している。私たちのアプローチを洗練させ続ける中で、これらの知見がEコマースやそれ以外のさまざまなコンテキストにどう適用できるかを楽しみにしている。