[AEON TECH HUB #24] お客様の長期的興味の理解に向けて

Transcript

1. 1 お客様の長期的興味の理解に向けて AEON TECH HUB #24
2. 2 株式会社メルカリ 2020年入社 2022年よりレコメンデーションチームで テックリード 田中涼 @alpicola
3. 3 国内最大のC2Cマーケットプレイス 月間利用者数: 約2300万人 メルカリについて
4. 4 User to Item: 主にホーム画面 メルカリ（アプリ）のレコメンデーション Item to Item: 主に商品画面 「この商品に近い商品」など
5. 5 従来のUser to Itemレコメンデーション (keyword-based) ユーザー行動履歴から キーワード抽出 関連キーワード トレンドキーワード MLモデルによる スコアリング・並び替え 上位キーワードの 商品群をレコメンド
6. 6 レコメンドはメルカリにおける主要な購入経路の一つになっている 一方 • 短期的な行動履歴が反映され過ぎる（リターゲティング的） • 新しく何か欲しいものが見つかりそう！という期待感が少ない • 「検索履歴」と認知されていることも 従来のレコメンデーションロジックの課題
7. 7 新レコメンドモジュール How • Keyword-based から item-based & embedding-based へシフト • 短期的な興味と長期的な興味のどちらも捉える Goal レコメンドがお客様のことをよく理解していて、自然と欲しいものが見つかると思って もらえる状態
8. 8 RetrievalとRankingの2-stage 新レコメンドモジュール紹介 Retrieval モデル Ranking モデル 候補商品 500~ 1000 10M+ 10~20 レコメンド
9. 9 Retrievalモデル：Sequential Recommendation
10. 10 Retrievalモデル：Sequential Recommendation FUTURE ITEM (14D) 長期的興味を捉えるため、「次」だけでなくもっと先のエン ゲージメントも予測するよう変更
11. 11 Retrievalモデル詳細 • User Tower ◦ 入力: 最大90日の行動履歴に含 まれる商品特徴量とアクション種 別（購入、いいねなど） の列 ◦ 出力: user embedding • Item Tower ◦ 入力: 商品特徴量 ◦ 出力: item embedding • User/item embeddingの類 似度でマッチ度を表現
12. 12 Retrievalシステムアーキテクチャ
13. 13 • Residual MLPベース • 入力： ◦ User Embedding (retrievalモデルから) ◦ Item Embedding (retrievalモデルから) ◦ 追加の商品特徴量 • 出力：ランキングスコア • Learning to rankで学習 ◦ 購入 > いいね > 閲覧のみ、のような感じでより深いエンゲージメントがあったものほど順位が 高くなるようなスコアを学習 Rankingモデル
14. 14 Rankingシステムアーキテクチャ
15. 15 • 既存のレコメンドを全て置き換えるのではなく、ホーム画面を構成するモジュー ルの一種としてABテスト・リリース ◦ （モジュールのパフォーマンスに応じて表示量・位置を調整する仕組みがある） • 購入系指標の改善が見られた👍 • 初期はranking stageなし、扱う行動履歴も購入情報のみでPoC • Ranking stageの追加、retrieval stageの改善など段階的にABテストを積 み重ねながら行なっている 新レコメンドモジュールのリリース
16. 16 • より深いお客様興味の理解のため、embedding-basedな新レコメンドモ ジュールを開発 • 行動履歴を直接入力として、長期的興味を捉えたuser embeddingを 生成、retrievalとranking両方に用いる まとめ