[RecSys2022論文読み会]Bundle MCR: Towards Conversational Bundle Recommendation

RecSys2022論文読み会での論文紹介資料です。
https://connpass.com/event/261571/

紹介論文：
Zhankui He, Handong Zhao, Tong Yu, Sungchul Kim, Fan Du, Julian McAuley, Bundle MCR: Towards Conversational Bundle Recommendation, In Proceedings of the 16th ACM conference on Recommender systems, pp.288-298, 2022.

Transcript

1. Bundle MCR: Towards Conversational Bundle Recommendation Zhankui He et al. 2022年10月22日 RecSys2022論文読み会 紹介者：龍谷大学 奥 健太 紹介論文
2. 自己紹介 奥 健太（龍谷大学 先端理工学部） 推薦システムを軸にした研究教育 • 推薦システム基礎（科目：データインテリジェンス[学部2年生対象]） ◦ 『基礎から学ぶ推薦システム』を基に推薦システムの基礎を学ぶ • Pythonによる推薦システム演習（科目：科学技術計算・演習[学部3年生対象]） ◦ recsys-pythonを基にしたPythonの演習 • 推薦システム特論[大学院生対象] ◦ 『Recommender Systems Handbook』を基に先端的トピックについて輪講 • 研究指導 ◦ 学生の興味を踏まえ「〇〇推薦システム」という主題で研究テーマを設定 • 高校講座 ◦ 高校数学と関連付けながら推薦システムの仕組みを学ぶ
3. バンドル推薦 ユーザによって同時に消費されるアイテム集合 （例；衣服、プレイリスト）を推薦 (1) interaction sparsity ➢ ユーザ-バンドル関係データは、ユーザ-アイテム関係データよりも疎 (2) output space complexity ➢ あらゆるアイテムの組合せの中から正確なバンドルを予測することは、 単一のアイテムを対象とした予測よりも困難 共通課題
4. 既存のバンドル推薦手法 (1) 弁別的手法 各バンドルを個別のアイテム（例；予め用意されたバンドル商品）として扱う ➢ 適用範囲は狭い (2) 生成的手法 バンドルを新たに生成 ➢ より柔軟ではあるが、正確性に欠ける one-shotバンドル推薦：1ラウンドで完全なバンドルを推薦
5. 対話型バンドル推薦システム 出典：論文Figure 1 (a)
6. 対話型バンドル推薦システム 出典：論文Figure 1 (a) Bundle MCR (multi-round conversational bundle recommendation task)： ➢ ユーザとシステムが対話を繰り返すことで、 バンドル推薦の正確性の向上を狙う
7. Bundle MCRのフロー (1) 初期状態 から対話開始 (i) バンドルとしてアイテム集合を推薦 (ii) スロットごとに属性とカテゴリを質問 (2) システムが推薦か質問 (3) フィードバック（受容、無視、拒否） (4) 状態を更新 出典：論文Figure 1 (b) ※モデルの詳細はSection 4, 5参照
8. 評価実験
9. one-shotバンドル推薦手法の比較 出典：論文Figure 3 (a)
10. one-shotバンドル推薦手法の比較 BUNT： one-shotバンドル推薦 に適用した提案手法 既存のone-shotバンドル推薦手法 出典：論文Figure 3 (a)
11. one-shotバンドル推薦手法の比較 既存手法に比べ、BUNTは基本的なバンドル推薦知識を学習できている 出典：論文Figure 3 (a)
12. 対話型推薦手法の比較 出典：論文Table 3
13. 対話型推薦手法の比較 単一アイテム向けの対話型推薦手法を Bundle MCRに適用した手法 既存のバンドル推薦手法 ラウンドごとに上位 K アイテムを推薦（対話なし） 出典：論文Table 3
14. 対話型推薦手法の比較 BUNT-One-Shot： one-shotバンドル推薦に適用した提案手法 BUNT-All： ラウンドごとに上位 K アイテムを推薦（対話なし） BUNT-Learn： Bundel MCRに適用した提案手法 出典：論文Table 3
15. 対話型推薦手法の比較 対話機能により推薦性能が向上 出典：論文Table 3
16. 対話型推薦手法の比較 よりチャレンジング（スパース、大規模アイテム空間）な データセットの方が対話機能による効果は大きい 61.56%↑ 196.72%↑ 出典：論文Table 3
17. 出典：論文Table 3 対話型推薦手法の比較 単一アイテム向けのMCRをそのままBundle MCRに適用す ることは最適ではなく、提案手法の設計の有用性が示された
18. ラウンドごとの正確性曲線の比較 出典：論文Figure 3 (b)
19. ラウンドごとの正確性曲線の比較 初期はBunt-Allが最高の結果であったが、 対話ラウンドを重ねるにつれてBunt-Learnが上回った 出典：論文Figure 3 (b)
20. まとめ 既存のMulti-Round Conversational Recommendation (MCR) を バンドル推薦問題に適用 将来課題 ➢ 今回は質問対象として属性とカテゴリのみを用いたが、フリーテキス トをどのように扱うか ➢ アイテム間の関係性（代替や補完など）を対話型バンドル推薦にどう 取り入れるか ➢ 単一アイテムをバンドルの特殊形とみなし、既存の単一向け対話型推 薦手法とバンドル推薦手法を統合することは可能か