Share
Embed
Transcript
27 slides
-
4 グループミッション あらゆる価値を循環させ、あらゆる人の可能性を広げる “Circulate all forms of value to unleash
the potential in all people” -
5 会社概要 Japan Region Mercari Group Fintech メルカリグループは、株式会社メルカリと、その連結子会社で構成されています。 Marketplace 株式会社メルカリ
◼設立 ◼事業内容 ◼所在地 ◼拠点 ◼代表取締役 CEO ◼CEO Marketplace 2013年2月1日 スマートフォン向けフリマアプリ 「メルカリ」の企画・開発・運営 〒106-6118 東京都港区六本木6-10-1 六本木ヒルズ森タワー 東京、福岡、大阪 山田進太郎 山本真人 ①2017年11月20日 ②金融事業 ③永沢岳志 株式会社メルペイ ①2014年1月 ②US版メルカリの企画・開発・運営 ③John Lagerling ④Palo Alto, California Mercari, Inc.(US) ①1991年10月1日 ②フットボールクラブ運営 ③小泉文明 ④茨城県立カシマサッカースタジアム 指定管理茨城県鹿嶋市 粟生東山2887番地 株式会社鹿島 アントラーズ・エフ・シー インド開発拠点 ①2022年6月 ②インターネットサービス開発 ③Carlos Donderis(取締役 Managing Director) ④Bangalore, Karnataka, India Mercari Software Technologies India Private Limited ①2021年4月28日 ②暗号資産・ブロックチェーン ③中村奎太 株式会社メルコイン -
8 トピックレコメンドロジック概要 リターゲティング 協調フィルタリング ランキングモデル (LightGBM) 多様化など後処理 2. ランキングステージ 3.
多様化ステージ 1. 候補生成ステージ ⋮ -
9 トピックレコメンドロジック概要 リターゲティング 協調フィルタリング ランキングモデル (LightGBM) 多様化など後処理 2. ランキングステージ 3.
多様化ステージ 1. 候補生成ステージ ⋮ 特徴量 = トピックの統計情報や候補生成 ステージで使われた情報など 目的変数 = トピックへのengagement -
12 二段階に分けて実装 Step 1: 非表示機能 • Negativeなレコメンドをその場で非表示 • その後再び同じレコメンドをしない Step
2: negative feedbackを考慮したモデルの学習 • Negativeなレコメンドと似た内容のレコメンドも減らす Negative feedback機能に求められること -
15 非表示機能の実装: システム構成 (2) リターゲティング 協調フィルタリング ランキングモデル (LightGBM) 多様化など後処理 2.
ランキングステージ 3. 多様化ステージ 1. 候補生成ステージ ⋮ 非表示フィードバックがあったものをここで 候補から落とす (undoがあれば落とさない) -
17 二段階に分けて実装 Step 1: 非表示機能 • Negativeなレコメンドをその場で非表示 • その後再び同じレコメンドをしない Step
2: negative feedbackを考慮したモデルの学習 • Negativeなレコメンドと似た内容のレコメンドも減らす Negative feedback機能に求められること (再) -
18 • Embeddingのコサイン類似度を使用 • Embeddingはtwo-tower NNで学習したもの レコメンド候補の類似度 User Tower Topic
Tower User Input Topic Input Topic input = キーワードやカテゴリ User input = トピックの系列 -
21 1. Embeddingを使ってレコメンドの類似度を測る 2. Explicit negativeとの類似度をランキングモデルの特徴量に追加 Negative feedbackを考慮したモデル: 方針 ⇨
素朴にやるとうまくいかなかった • ランキングモデルはpositiveなアクションを最適化するように 学習されている • Explicit negativeとの類似度は、特徴量の重要度がほぼ0に なってしまう -
23 2つのobjectiveに対してそれぞれモデルを学習 一般には多目的最適化の問題になるが、今回は2つのモデルを独立に学習 ランキングモデル Negative feedback 予測モデル y rank y
neg Explicit negativeとの 類似度 & その他特徴量 簡単のためどちらもLightGBMを用い、特徴量も同じ(目的変数やパラメータは異なる) -
24 2つのobjectiveに対してそれぞれモデルを学習 一般には多目的最適化の問題になるが、今回は2つのモデルを独立に学習 ランキングモデル Negative feedback 予測モデル y rank y
neg Explicit negativeとの 類似度 & その他特徴量 最終スコア y = f(y rank , y neg ) y neg が閾値より高い時にスコアが減 少するような f を定義 -
25 • レコメンドコンポーネントのCTRやホーム画面経由の購買が有意に上昇 • 特にnegative feedback機能を使っている人の中で見ると、レコメンド コンポーネント経由の購買が10%以上増加 ⇨ Negative feedbackを考慮したモデルをリリース
ABテストの結果 Negative feedbackの意図を、レコメンドにより適切に反映できる状態に -
26 まとめ • Negative feedback機能を「非表示機能」「モデルでのnegative feedbackの考慮」の二段階で実装 • Negative feedbackを考慮したモデルのリリースにより、ホーム画面の 体験を改善できた
• 非表示機能単体ではKPIの改善にならなくても、早くリリースすることで 機能を認知してもらうことが大事だった • モデルの学習ではobjectiveの見直しが不可欠だった