ユーザーの意図データでレコメンデーションを改善する

おすすめシステムは、ユーザーが幅広い選択肢の中から好みのアイテムを見つけるのを助けるんだ。これらのシステムは、ショッピングサイトやニュースサービスなど多くのオンラインプラットフォームで必要不可欠なもの。過去の行動、例えばクリックや購入に基づいてユーザーの好みを理解して動くんだ。でも、ユーザーはアイテムに対して異なるタイプの意図を持っていることが多いんだ。一部の意図は安定していて、高品質なアイテムを常に求めるとか、他は変わることもあって、冬のコートの代わりに夏のドレスが欲しいみたいな感じ。

こうした意図を理解するのは難しいこともある。検索のシナリオでは、ユーザーが検索クエリを通じて意図をより明示的に表現するんだ。例えば、「安いランニングシューズ」を検索したら、手頃なアスレチックシューズを探してるってことがわかる。この明示的な情報は、おすすめシステムを改善するのに役立つ。検索とおすすめの両方のデータを組み合わせることで、ユーザーの意図をよりよく理解し、受け取るおすすめを改善できるんだ。

#おすすめシステムの課題

おすすめシステムは、主にユーザーの過去のインタラクションに依存して、次に何を好むかを予測するんだ。たとえば、従来のモデルは、もし2人のユーザーが過去に似たアイテムを好んでいたら、未来でも似たアイテムを好むだろうって仮定するんだ。これにはある程度は効果があるけど、限界もある。ユーザーにはモデルが把握できない異なる隠れた意図があるかもしれないから。

例えば、2人のユーザーがどちらもラーメンが好きでも、好きなレストランのタイプが違うかもしれない。一人はスパイシーな味を好み、もう一人は甘いのが好き。システムがそのインタラクションだけ見ると、間違ったアイテムをそれぞれに勧めるかもしれない。

それに、1人のユーザーの中でも意図は時間とともに変わることがある。夏にTシャツを探して、冬にはダウンジャケットを探すかもしれない。この変わるニーズをシステムが認識しないと、関連するおすすめを提供できないかもしれない。

#検索データの役割

検索データは、おすすめシステムを強化するユニークな機会を提供するよ。ユーザーが何かを検索する時、彼らが何を欲しいのかについて明確な情報を提供することが多いから。例えば、「近くのピザ」って検索したら、ピザのオプションを探してることが明らかだ。このデータは、おすすめシステムにとってガイドとして役立ち、ユーザーの変わる意図を特定するのに役立つんだ。

でも、明示的な検索データをうまく利用して、推薦システム内の暗黙の意図を理解するのが課題なんだ。ユーザーが何を検索して、何をクリックするかの間に明確な関連がないと、モデルが正確な提案をするのに苦労するかもしれない。

#統一デュアルインテント翻訳の導入

この問題を解決するために、検索と推薦のための新しいモデル「統一デュアルインテント翻訳（UDITSR）」を提案するよ。このモデルは、本質的な意図と需要の意図をよりよく理解することを目指していて、より正確なおすすめを可能にするんだ。

#デュアル意図の理解

最初のステップは、ユーザーには2種類の意図があることを認識すること。「本質的な意図」は安定していてユーザーの好みを反映しているけど、「需要の意図」は特定の文脈やニーズに基づいて変わるんだ。

例えば、ユーザーは手頃なアイテムを買いたいという本質的な意図を持っているかもしれないけど、嵐の時にレインジャケットを見つけたいという需要の意図を持っているかもしれない。私たちのモデルは、これらの2つの意図と、それがアイテムに対するユーザーのインタラクションにどのように影響するかをつかもうとしているんだ。

#需要意図生成機

需要の意図を効果的に生成するために、検索データを監視のソースとして使うんだ。ユーザーがアイテムを検索する時、彼らの需要の意図についての洞察を提供するから。このクエリを分析することで、ユーザーがその時に何を求めているのかをよりよく理解できるんだ。

需要意図生成機は、過去の検索クエリを使って、おすすめのための需要意図を推測するんだ。これにより、ユーザーが特定のアイテムを探した時に、システムが手頃なオプションや特定のスタイルに向かって意図が傾く可能性があるって予測できるようになるんだ。

#デュアル意図翻訳の伝播

需要意図を生成する方法を確立したら、次のステップは、その意図をユーザーがインタラクションするアイテムと関連付けることだ。これがデュアル意図翻訳の登場するところなんだ。

私たちのアプローチは、ユーザーの意図をアイテムの表現に翻訳するメカニズムを作ることを含むんだ。例えば、ユーザーが手頃なランニングシューズに対する欲求を示した場合、システムはこの欲求を彼らの本質的な好みに合わせた価格とタイプのアイテムおすすめに翻訳するんだ。

#インタラクションデータから学ぶ

私たちのモデルを効果的にするためには、検索と推薦の両方のシナリオで利用できるインタラクションデータから引き出す必要があるんだ。両方のデータタイプを考慮に入れたジョイントモデルを作ることで、予測の精度を向上できる。

#モデル構造

UDITSRモデルは、需要意図生成機とデュアル意図翻訳モジュールの2つの重要なコンポーネントで構成されているんだ。これらのコンポーネントは協力してユーザーの意図を理解し、パーソナライズされたおすすめを作成するんだ。

1. 需要意図生成機:

   • 検索クエリを使用してユーザーの需要意図を生成する。
   • 過去のインタラクションの文脈で、ユーザーが何を探しているのかをマッピングする手助けをする。

2. デュアル意図翻訳モジュール:

   • 本質的な意図と需要の意図、アイテムの表現をつなげる。
   • おすすめがユーザーが本当に望むものに沿ったものであることを確保する。

#実験設定

UDITSRの効果を評価するために、実際のデータセットを使用してテストを行ったんだ。このデータセットは、大手デリバリーサービスからのユーザーインタラクションで構成されていた。さまざまなユーザーとアイテムのグループを持ち、検索とおすすめのインタラクションを収集した。

#データ収集

データセットには、数千のインタラクションが数日間にわたって含まれていた。各データにはユーザーID、アイテムID、検索インタラクションの場合は検索クエリが含まれていた。モデルのパフォーマンスを正確に評価するために、データをトレーニング、バリデーション、テストセットに分割したんだ。

#既存モデルとの比較

UDITSRを分野の他の有名なモデルと比較したよ。グラフベースのモデルや従来のおすすめシステムを含めて。目標は、ユーザーの意図を学ぶための独自のアプローチによって、どれだけ性能が向上するかを調べることだった。

#結果

結果は、UDITSRが全体的におすすめの質を大幅に向上させたことを示したよ。既存のモデルと比較して、UDITSRは検索とおすすめの両方のタスクでそれらを上回った。

#検索とおすすめのパフォーマンス

私たちのモデルは、クリック率（CTR）や売上総額（GMV）などの主要な指標で平均して数パーセントの改善を示したんだ。これは、ユーザーがより関連性の高いおすすめを見ているだけでなく、それにより効果的に関与していることを示している。

#需要意図生成機の重要性

アブレーション研究を通じて、需要意図生成機がおすすめの精度を向上させるのに重要であることがわかったよ。明示的な検索データを活用することで、私たちのモデルは従来のアプローチよりも需要の意図をより効果的に学ぶことができたんだ。

#意図翻訳の影響

デュアル意図翻訳メカニズムがユーザーの意図とアイテムのインタラクションをつなげるのに重要な役割を果たしていることも発見したよ。これにより、おすすめの全体的な質が向上して、ユーザーが本当に求めているものとより密接に一致するようになったんだ。

#ビジュアライゼーションと洞察

モデルがユーザーの意図をどのように学んだかをよりよく理解するために、学習した意図をビジュアル化したよ。その結果のプロットは、アイテムの明確な分布と、モデルが本質的な意図と需要の意図の関係をどれだけ捉えたかの洞察を示しているんだ。

ビジュアライゼーションでは、UDITSRが学習した翻訳された意図が、ユーザーがインタラクションする実際のアイテムとかなり一致していることがわかった。この強い整合性が、モデル全体の成功に寄与したんだ。

#オンラインテスト

オフラインでのテストを経て、UDITSRを実際の環境で1ヶ月間のオンラインA/Bテストに展開したよ。主な目標は、ユーザーの行動が制御されたテスト条件とは異なる場合、モデルがどれだけうまく機能するかを確認することだった。

#オンライン展開からの観察

オンラインの展開は、実験結果からの発見を確認したよ。UDITSRの適用は、GMVやCTRなどの重要なパフォーマンス指標において測定可能な改善をもたらしたんだ。

#結論

まとめると、私たちの研究は、検索とおすすめのデュアル意図を理解するための統一アプローチが、より良いユーザーエンゲージメントと満足度をもたらすことを示しているんだ。検索データを効果的に活用することで、暗黙の意図と明示的な意図のギャップを埋めることができる。

UDITSRモデルは、おすすめシステムにおける重要な進歩を反映していて、ユーザーの意図をより正確に捉えるためのフレームワークを提供しているよ。オンラインインタラクションの風景が進化し続ける中で、このモデルは、より関連性が高く効果的なおすすめを改善する方法について貴重な洞察を提供してくれるんだ。

今後の研究と開発を通じて、おすすめシステムの機能をさらに向上させ、ユーザーがニーズに合った関連性の高い提案を受け続けられるように努力するつもりだよ。