Is It Really Complementary? Revisiting Behavior-based Labels for Complementary Recommendation

RecSys2024 論文読み会（2024.11.02） Is It Really Complementary? Revisiting Behavior-based Labels for Complementary Recommendation Kai Sugahara, Chihiro Yamasaki, Kazushi Okamoto The University of Electro-Communications（電気通信大学） Paper 解説記事 [Qiita]

自己紹介 簀河原 皆（すがはら かい） 〜2024年3月 電気通信大学大学院（修士） 2024年4月〜 株式会社マイクロアド MLエンジニア 共クラスタリング（学部） 2024.11.02 𝕏 @kaisugahara 解釈可能な協調フィルタリング（修士） RecSys2024 論文読み会 2 / 18

補完推薦 (Complementary Recommendation) とは アイテム間型推薦（Item-to-Item Recommendation）の一種 あるクエリアイテムに対して， 補完関係となるアイテム（一緒に買うべきアイテム）を推薦するタスク 補完推薦システム ②⼊⼒ ① 最近買った or 商品ページを閲覧中 さん A 2024.11.02 ③これもどうですか？ RecSys2024 論文読み会 3 / 18

補完関係と代替関係 補完関係 スマートフォン 代替関係 専⽤カバー スマートフォン 別のスマートフォン 一般的なアイテム間型推薦 ユーザの履歴やアイテムの特徴を用いて，類似 or 関連のあるアイテムを推薦 → 関係性の定義が曖昧 → 代替品を含む様々な関係性のアイテムが推薦される 補完推薦のメリット 併売の増加（by 補完アイテムの購入），満足度の向上（by 補完するアイテムを知れた） 2024.11.02 RecSys2024 論文読み会 4 / 18

補完推薦手法（参考まで） ユーザの共同購入ログに基づくもの 補完スコア付けによる ルールベース手法 [J.Zheng+, 2009] ベクトル表現法 [Z.Wang+, 2018] グラフベース [Y.Liu+, 2020] アイテムのコンテンツデータに基づくもの トピックモデル + ロジスティック回帰 [J.McAuley+, 2015] 2024.11.02 アイテムの画像埋め込み [K.Bibas, 2023+] RecSys2024 論文読み会 コンテンツデータの 知識グラフを活用 [D.Xu+, 2020] 5 / 18

どのように補完関係を学習し，評価するか 行動ベースラベル（Behavior-based Labels; BBLs） [J.McAuley+, 2015] は，Amazon.com に当時掲載されていたレコメンドエリアから 補完関係，代替関係ペアを特定 1. Users who viewed also viewed → 代替関係 2. Users who viewed eventually bought → 代替関係 3. Users who bought also bought → 補完関係 4. Users frequently bought also together → 補完関係 2024.11.02 ユーザの履歴を用いるだけなので構築コストが低い → 以降の補完推薦手法に関する研究で，広く使われているラベル RecSys2024 論文読み会 6 / 18

BBLs は本当に正しいか？ BBLsは補完関係にそぐわないノイズを含む可能性がある 2024.11.02 RecSys2024 論文読み会 7 / 18

RQs 目的：BBLs の非信頼性を定量的に明らかに + 改善の提案 方法：機能ベースの補完関係ラベル（FBLs）を用意して比較実験 + 活用法を検討 生成される BBLs は FBLs とどれくらい異なるか？ RQ1 → BBLs と FBLs を定量比較 BBLs で学習した補完推薦手法は実際の補完ラベル（ FBLs ）を予測可能か？ RQ2 → BBLs で学習した補完推薦手法の予測を FBLs と比較 安価に大量に作れる BBLs を現実的なラベル（ FBLs ）に修正可能か？ RQ3 → 少量の FBLs を用いて，BBLs を修正するモデルを提案 2024.11.02 RecSys2024 論文読み会 8 / 18

機能ベースラベル（Function-based Labels; FBLs） 先行研究で提案 [K.Sugahara+, 2024] 1. Items and have the same function and usage → 代替関係 2. Item can be replenished with item → 補完関係 3. Item can be replenished with item → 補完関係 4. Items and must be combined to be usable → 補完関係 5. When combined with item , item becomes more useful → 補完関係 6. When combined with item , item becomes more useful → 補完関係 7. Combining and makes them more useful → 補完関係 8. Items and have no relationship → 無関係 人手によるアノテーションを前提 2024.11.02 RecSys2024 論文読み会 9 / 18

実験デザイン アスクル株式会社より提供いただいた 2022/09/20〜の2年間のデータセット : BBLsの定義をもとに ユーザの行動履歴から生成 : 共同購入カウントをもとに アイテムペアをサンプリングし， FBLsをアノテーション（2,625ペア） : から366のクエリアイテムを サンプリングし，対応するペアに FBLsをアノテーション（2,790ペア） 2024.11.02 RecSys2024 論文読み会 10 / 18

評価方法 予測補完ランキング 候補アイテム集合 (BBLs) クエリアイテム 正解補完アイテム集合 (FBLs) . 補完推薦モデル . Hit@ nDCG@ . ⋮ . 2024.11.02 RecSys2024 論文読み会 11 / 18

実験結果 - RQ1 BBL: BBLsで特定された補完ラベルをもとに 予測補完ランキングを生成 Random: 予測補完ランキングをランダムに生成 BBL の Hit@1 < 50% ＝ 補完アイテムを1件推薦する場合， BBLs に基づくと精度は 50% を下回る ↓ BBLs の補完ラベルの低品質性を明らかに 2024.11.02 RecSys2024 論文読み会 12 / 18

実験結果 - RQ2 2024.11.02 両方とも教師ラベルには BBLs を利用 Sceptre [J.McAuley+, 2015] トピックモデル（レビュー文） + ロジスティック回帰 P-companion [J.Hao+, 2020] : GNNで抽出した アイテムembeddingから補完カテゴリと その補完アイテムを予測 そもそも BBL の精度を超えることがない → これまで低品質なラベルのもとで 議論されてきたことを明らかに RecSys2024 論文読み会 13 / 18

実験結果 - RQ3 LGBM: アイテムのコンテンツ特徴量を 入力とし， で学習したLightGBM BBL+LGBM: LGBMでの補完アイテムがBBLでも 補完だった場合に上位に移動（≒アンサンブル） Hit@ : BBLs+LGBM > LGBM = BBLs nDCG: BBLs+LGBM > LGBM > BBLs ↓ Ideal を見据えると わずかな改善ではあるが BBLs の修正に FBLs が寄与 2024.11.02 RecSys2024 論文読み会 14 / 18

まとめ 背景 BBLs（行動ベースラベル）は容易に収集可能で，補完推薦で広く使われる 実際は，BBLs には補完関係ではないノイズが多く含まれていないか？ 貢献 BBLs や BBLs で学習した補完推薦モデルの予測結果を アノテーションで生成した FBLs（機能ベースラベル）と比較 BBLs が補完ラベルの定義に沿っていない可能性を定量的に示唆 少量のFBLsを用いたBBLsのラベル修正手法を検討 LightGBM を用いたアプローチで改善を確認 2024.11.02 RecSys2024 論文読み会 15 / 18

Future Work BBLs にノイズが多く含まれていることは明らかにできたが その先の実用面への前進はこれから 今後の方向性 1. 行動ベースラベルを使う前提のまま，アルゴリズムの工夫でノイズ除去を行う 2. 高品質なラベルを低コストで作成するラベル構築法を検討 3. 少量の高品質ラベルで行動ベースラベルを修正する より複雑な関係を限られたラベルで学習できる，より高価なモデルを検討 2024.11.02 RecSys2024 論文読み会 16 / 18

Thank you for your attention. 本研究は，アスクル株式会社からデータと現場知見の提供をいただきました． 改めて，関係者の皆様に深くお礼を申し上げます． 電気通信大学 岡本研究室 では 補完推薦以外にも 推薦システムに関する面白い研究が行われています． 今後にも注目いただけると幸いです → http://www.ds.lab.uec.ac.jp/ 17 / 18

• http://www.ds.lab.uec.ac.jp/

参考文献 [J.Zheng+, 2009] J. Zheng, X. Wu, J. Niu, A. Bolivar: Substitutes or complements: another step forward in recommendations, in Proc. 10th ACM Conf. Electronic Commerce, 139–146, 2009. [Z.Wang+, 2018] Z. Wang, Z. Jiang, Z.Ren, J. Tang, D. Yin: A Path-constrained Framework for Discriminating Substitutable and Complementary Products in E-commerce, in Proc. Eleventh ACM Int. Conf. Web Search Data Min., 619–627, 2018. [Y.Liu+, 2020] Y. Liu, Y. Gu, Z. Ding, J. Gao, Z. Guo, Y. Bao, W. Yan: Decoupled Graph Convolution Network for Inferring Substitutable and Complementary Items, in Proc. 29th ACM Int. Conf. Inf. Knowl. Manag., 2621–2628, 2020. [J.Hao+, 2020] J. Hao, T. Zhao, J. Li, X. L. Dong, C. Faloutsos, Y. Sun, W. Wang: P-Companion: A Principled Framework for Diversified Complementary Product Recommendation, in Proc. 29th ACM Int. Conf. Inf. Knowl. Manag., 2517-2524, 2020. [J.McAuley+, 2015] J. McAuley, R. Pandey, J. Leskovec: Inferring Networks of Substitutable and Complementary Products, in Proc. 21th ACM SIGKDD Int. Conf. Knowl. Discovery Data Min., 785-794, 2015. [K.Bibas, 2023+] K. Bibas, O. S. Sar, D. Jannach: Semi-supervised Adversarial Learning for Complementary Item Recommendation, in Proc. ACM Web Conf. 2023, 1804–1812, 2023. [D.Xu+, 2020] D. Xu, C. Ruan, E. Korpeoglu, S. Kumar, K. Achan: Product Knowledge Graph Embedding for E-commerce, in Proc. 13th Int. Conf. Web Search Data Min., 672–680, 2020. [K.Sugahara+, 2024] K. Sugahara, C. Yamasaki, Y. Nagi, and K. Okamoto: A Study of Complementary Recommendation Focused on Functional Aspects, in IEICE Technical Report, 17-22, 2024. 18 / 18