Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping

要約

次のバスケットの推奨 (NBR) は、既に購入された一連のバスケットに基づいて次の商品セットを予測するタスクです。
これは、特に食料品の買い物の文脈で広く研究されている推奨タスクです。
ネクストバスケットレコメンデーション（NBR）では、リピートアイテム、つまりユーザーが以前に消費したアイテムと探索アイテム、つまりユーザーが以前に消費したことのないアイテムを区別するのに役立ちます。
ほとんどの NBR 作品は、この区別を無視するか、繰り返しの項目に焦点を当てています。
次の新規バスケット推奨 (NNBR) タスク、つまり、新規アイテムのみで構成されるバスケットを推奨するタスクを定式化します。これは、現実世界のアプリケーションと NBR 評価の両方に価値があります。
既存の NBR 手法が NNBR タスクでどのように実行されるかを評価したところ、これまでのところ、問題に関して限定的な進歩しか見られないことがわかりました。
NNBRタスク。
NNBR タスクに対処するために、複雑なバスケット表現を学習するのではなく、バスケット内およびバスケット間の品目間の相関関係を直接モデル化することに重点を置いた、単純な双方向変圧器バスケット推奨モデル (BTBR) を提案します。
BTBR を適切にトレーニングするために、いくつかのマスキング戦略とトレーニング目標を提案および調査します: (i) アイテムレベルのランダム マスキング、(ii) アイテムレベルの選択マスキング、(iii) バスケット レベルのすべてのマスキング、(iv) バスケット レベルの探索
マスキング、および (v) ジョイントマスキング。
さらに、同じバスケット内でのアイテムの相互作用を強化するために、アイテムとバスケットの交換戦略が提案されています。
私たちは、さまざまな特徴を持つ 3 つのオープン データセットに対して広範な実験を実施します。
この結果は、BTBR と、NNBR タスクに対するマスキングおよびスワッピング戦略の有効性を示しています。
適切に選択されたマスキングおよびスワッピング戦略を使用した BTBR により、NNBR のパフォーマンスを大幅に向上させることができます。

要約(オリジナル)

Next basket recommendation (NBR) is the task of predicting the next set of items based on a sequence of already purchased baskets. It is a recommendation task that has been widely studied, especially in the context of grocery shopping. In next basket recommendation (NBR), it is useful to distinguish between repeat items, i.e., items that a user has consumed before, and explore items, i.e., items that a user has not consumed before. Most NBR work either ignores this distinction or focuses on repeat items. We formulate the next novel basket recommendation (NNBR) task, i.e., the task of recommending a basket that only consists of novel items, which is valuable for both real-world application and NBR evaluation. We evaluate how existing NBR methods perform on the NNBR task and find that, so far, limited progress has been made w.r.t. the NNBR task. To address the NNBR task, we propose a simple bi-directional transformer basket recommendation model (BTBR), which is focused on directly modeling item-to-item correlations within and across baskets instead of learning complex basket representations. To properly train BTBR, we propose and investigate several masking strategies and training objectives: (i) item-level random masking, (ii) item-level select masking, (iii) basket-level all masking, (iv) basket-level explore masking, and (v) joint masking. In addition, an item-basket swapping strategy is proposed to enrich the item interactions within the same baskets. We conduct extensive experiments on three open datasets with various characteristics. The results demonstrate the effectiveness of BTBR and our masking and swapping strategies for the NNBR task. BTBR with a properly selected masking and swapping strategy can substantially improve NNBR performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google