End-to-end Learnable Clustering for Intent Learning in Recommendation

要約

ユーザの意図を学習し、ユーザ理解やアイテム推薦に役立てようとする意図学習は、近年注目されている研究分野である。しかし、既存の手法は、複雑で面倒な交互最適化により、性能とスケーラビリティが制限されている。そこで本研究では、効果的かつ効率的な商品推薦を実現するために、行動表 現学習をエンド・ツー・エンドで学習可能なクラスタリングフレームワークに統合することで、 ⾰新的な意図学習手法「ELCRec」を提案する。具体的には、ユーザの行動シーケンスを符号化し、クラスタ中心（潜在的意図）を学習可能ニューロンとして初期化する。次に、学習可能なクラスタリングモジュールを設計し、異なるクラスタ中心を分離することで、ユーザの複雑な意図を切り離す。一方、クラスタ中心の近くに行動埋め込みを強制することで、行動から意図を学習するようにネットワークを誘導する。これにより、ミニバッチデータを介した推薦とクラスタリングの同時最適化が可能となる。さらに、クラスタ中心を自己監視信号として利用することで、意図支援型対比学習を提案し、相互促進をさらに強化する。実験結果と理論分析の両方から、ELCRecの優位性が6つの観点から実証された。次点と比較して、ELCRecはBeautyデータセットにおいて、NDCG@5を8.9%改善し、計算コストを22.5%削減した。さらに、スケーラビリティと普遍的な適用性から、1億3千万ページビューの産業推薦システムに本手法を展開し、有望な結果を得た。

要約(オリジナル)

Intent learning, which aims to learn users’ intents for user understanding and item recommendation, has become a hot research spot in recent years. However, the existing methods suffer from complex and cumbersome alternating optimization, limiting the performance and scalability. To this end, we propose a novel intent learning method termed \underline{ELCRec}, by unifying behavior representation learning into an \underline{E}nd-to-end \underline{L}earnable \underline{C}lustering framework, for effective and efficient \underline{Rec}ommendation. Concretely, we encode users’ behavior sequences and initialize the cluster centers (latent intents) as learnable neurons. Then, we design a novel learnable clustering module to separate different cluster centers, thus decoupling users’ complex intents. Meanwhile, it guides the network to learn intents from behaviors by forcing behavior embeddings close to cluster centers. This allows simultaneous optimization of recommendation and clustering via mini-batch data. Moreover, we propose intent-assisted contrastive learning by using cluster centers as self-supervision signals, further enhancing mutual promotion. Both experimental results and theoretical analyses demonstrate the superiority of ELCRec from six perspectives. Compared to the runner-up, ELCRec improves NDCG@5 by 8.9\% and reduces computational costs by 22.5\% on Beauty dataset. Furthermore, due to the scalability and universal applicability, we deploy this method on the industrial recommendation system with 130 million page views and achieve promising results.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL