![© NBT All Rights Reserved.
참고 자료
저자 발표 자료
https://mukulbhutani.files.wordpress.com/2018/01/ecml-final-slides.pdf
Product Embeddings
• Prod2Vec [Grbovic, KDD 2015]
• Meta-Prod2Vec [Vasile, Recsys 2016]](https://image.slidesharecdn.com/pr12mrnetprd2vec-180715133219/85/PR-099-MRNet-Product2Vec-6-320.jpg)
PR-099: MRNet-Product2Vec
- 1. MRNet-Product2Vec: AMulti-taskRecurrentNeural NetworkforProductEmbeddings (2017) Arijit Biswas et al. 발표: 곽근봉
- 2. © NBT All Rights Reserved. 이논문을선정한이유 온라인 쇼핑몰에서는 딥러닝을 어떻게 활용하고 있을까?
- 3. © NBT All Rights Reserved. 이논문을선정한이유 • 상품 추천 • 상품 분류 • 중복 상품 필터링 • 적정 가격 설정
- 4. © NBT All Rights Reserved. 이논문을선정한이유 컨텐츠에서의 활용 방안과 거의 비슷! 그렇다면 딥러닝을 활용하기 위해서 상품을 어떤식으로 표현해야할까?
- 5. © NBT All Rights Reserved. 이논문을선정한이유 Product Embedding?!
- 6. © NBT All Rights Reserved. 참고 자료 저자 발표 자료 https://mukulbhutani.files.wordpress.com/2018/01/ecml-final-slides.pdf Product Embeddings • Prod2Vec [Grbovic, KDD 2015] • Meta-Prod2Vec [Vasile, Recsys 2016]
- 7. © NBT All Rights Reserved. 개요 Multi-taskRNN을활용한ProductEmbedding • 범용적으로 사용 가능한 Product Embedding • Multi-task RNN • Dense, Low Dimension Embedding
- 8. © NBT All Rights Reserved. 기존방법 TF-IDF • Bag-of-words • Title, Description 등을 단어 단위로 끊어서 사용 • 상품의 Title을 단어 단위로 끊어서 구축 • 30만개의 상품으로 구축시 dimension이 약 2만 정도 됨 • 이 중 0.05% 만이 non-zero
- 9. © NBT All Rights Reserved. 기존방법의문제점 TF-IDF • Overfitting • 해당 데이터셋에 특화됨. 새로운 데이터셋에 적용이 어려 움 • 계산 혹은 저장에 비효율적 • 의미를 포함시키지 못함 • 일반적인 DNN에 활용하기 어려움
- 10. © NBT All Rights Reserved. 제안하는방법 그래서Dense,Low-dimensionalEmbedding이필요함 • Bidirectional RNN • Multi-task
- 11. © NBT All Rights Reserved. MRNet-Product2Vec
- 12. © NBT All Rights Reserved. MRNet-Product2Vec(BidirectionalRNN)
- 13. © NBT All Rights Reserved. MRNet-Product2Vec(MultiTask)
- 14. © NBT All Rights Reserved. 두가지Optimization방법 • Joint Optimization • 매 Iteration 마다 모든 task들의 loss를 구하고 한번에 weight를 업데이트 시키는 방법 • 모든 task들의 output이 있어야 가능 • Alternating Optimization • 매 Iteration 마다 랜덤하게 하나의 task를 선정하고 그 부 분만 업데이트 시키는 방법 • Bias가 생길 수 있음
- 15. © NBT All Rights Reserved. 실험 다양한데이터셋 • Plugs : 해당 상품에 plug가 있는지 없는지 • SIOC : 자체 포장되어 있는지 아닌지 • Browse Categories : 장난감의 75가지 세부 분류 • Ingestible Classification : 먹을 수 있는지 없는지
- 16. © NBT All Rights Reserved. 실험 다양한데이터셋
- 17. © NBT All Rights Reserved. Nearestneighbor 상품유사도분석
- 18. © NBT All Rights Reserved. 결론 • Product Embedding을 위한 새로운 방법 제안 • 다양한 feature들은 embedding에 넣을 수 있더라 • 기존 방법보다 우수한 성능을 보이면서 효율적이더라 • 상품 이미지까지 활용해서 조금 더 범용적으로 만들어봐야겠다
- 19. © NBT All Rights Reserved. 감사합니 다.