Platform For AI:リコール設定

2.1 仕組み

深層構造化意味モデル (DSSM) は、ユーザーとアイテムを固定次元のベクトルにエンコードし、ベクトル類似度に基づいて候補を検索する深層 2 タワーモデルです。

    ユーザー特徴量       アイテム特徴量
         |                     |
   ┌─────┴──────┐        ┌─────┴─────┐
   │ ユーザー タワー │        │ アイテム タワー │
   │  (DNN)     │        │  (DNN)    │
   └─────┬──────┘        └─────┬─────┘
    user_embedding         item_embedding
         └──────── 内積 ────────┘
               マッチスコア

2.2 主な利点

2.3 主要パラメータ

2.4 埋め込み次元ポリシー

embed_dim_policy パラメータは、離散特徴量の埋め込み次元を計算します。以下の式において、N は特徴量のカーディナリティです。

計算例 (特徴量のカーディナリティ N = 10,000 と仮定)：

• EMB_SQRT4_STEP4：round(10000^0.25 / 4) × 4 = round(10 / 4) × 4 = 12

• EMB_LN_STEP4：round(ln(10000) / 4) × 4 = round(9.21 / 4) × 4 = 8

2.5 TorchEasyRec における DSSM の特徴

TorchEasyRec の DSSM には以下が含まれます：

ネガティブサンプリング設定：

{
    "negative_sampler": {
        "sampler_type": "negative_sampler",
        "num_sample": 1024
    }
}

ネガティブサンプリングは、ベクトルリコールにおいて非常に重要です。動的にネガティブサンプルをサンプリングすることで、識別能力を向上させます。

2.6 TorchEasyRec サービスアーキテクチャ

TorchEasyRec サービスコンポーネント：

• FG エンコーディング：オフラインとオンラインの特徴量一貫性を確保します。

• ユーザー タワー：リアルタイムでユーザーベクトルを推論する Torch ScriptModule。

• FAISS インデックス：効率的な CPU ベースの検索。PAI-EAS CPU インスタンスにデプロイ可能です。

• TorchEasyRec プロセッサ：easyrec-torch-{version} プロセッサ。利用可能なバージョンは バージョンリスト に記載されています。

デプロイ設定例：

{
  "processor": "easyrec-torch-1.12",
  "model_config": {
    "fg_mode": "normal",
    "faiss_neigh_num": 500,
    "faiss_nprobe": 1000,
    "steady_mode": true,
    "period": 2880
  }
}

3.1 グローバル人気アイテムリコール

原理：ユーザー行動統計に基づいて、サイト全体で最も人気のあるアイテムを返します。

計算式：

$$hot\_score=\Sigma (bhv\_weight\times decay(time))$$

ユースケース：

• 行動履歴がない新規ユーザーのコールドスタート。

• フォールバックリコール戦略。

• 人気コンテンツの配信。

主要設定：

3.2 ユーザーグループ別人気アイテムリコール

原理：ユーザーを属性 (性別、年齢層、地域) でグループ化し、各グループ内で最も人気のあるアイテムを計算します。

ユースケース：

• 「あなたへのおすすめ」ホームページ。

• 異なるユーザーグループが明確に異なる嗜好を持つシナリオ。

利点：

• グローバル人気アイテムリコールよりもパーソナライズされています。

• 実装が簡単で、ユーザー行動履歴を必要としません。

3.3 アイテムグループ別人気アイテムリコール

原理：アイテムを属性 (カテゴリ、タグ) でグループ化し、各グループ内で最も人気のあるアイテムを計算します。

ユースケース：

• 詳細ページの関連レコメンデーションシナリオにおいて、他のアルゴリズム (ETrec I2I など) が十分な関連アイテムを返さない場合に、結果を補完します。

• 現在のアイテムと同じカテゴリから人気アイテムを推薦します。

4.1 ETrec U2I リコール

参考：協調フィルタリング (etrec)

このアイテムベース協調フィルタリング (Item-based CF) アルゴリズムは、ユーザーとアイテムのインタラクションからアイテムの共起類似度を計算し、ユーザーの履歴に類似したアイテムを推薦します。

主な特徴：

• リアルタイム行動トリガー (U2I Trigger) をサポートします。

• 時間減衰を適用して、最近の行動を優先します。

• クリック、お気に入り、カート追加に重みを付けて、複数の行動を融合します。

主要設定：

4.2 ETrec I2I リコール

原理：アイテム間の類似度を計算するアイテムベース協調フィルタリングアルゴリズムです。

ユースケース：

• 関連レコメンデーション (例：「よく一緒に購入されている商品」)。

• 詳細ページで類似アイテムを推薦します。

類似度計算：

• 共起ベース：同じユーザーが 2 つのアイテムにインタラクションした回数に基づきます。

• ベクトルベース：アイテム埋め込みのコサイン類似度に基づきます。

4.3 Swing U2I リコール

参考：Swing アルゴリズムツール

原理：ユーザーとアイテムの二部グラフにおける Swing 構造を使用して類似度を計算する、改良された協調フィルタリングアルゴリズムです。

核となる考え方：

• 多くの共通ユーザーがインタラクションするアイテムは類似しています。

• 非常にアクティブなユーザーの重みを減らすことで、ペナルティを課します。

利点：

• 人気アイテムの過剰推薦を軽減します。

• ロングテールアイテムの関連性発見を支援します。

4.4 SimRank U2I リコール

参考：SimRank++ 類似度計算アルゴリズム

⚠️ 注意：SimRank は、複数回の反復処理と全グラフのランダムウォークにより、リソースを大量に消費します。コストを削減するために、MaxCompute サブスクリプションリソースを使用してください。

原理：ランダムウォークを通じてノード類似度を計算するグラフベースの類似度アルゴリズムです。

核となる考え方：

• 多くの類似したアイテムにインタラクションするユーザーは類似しています。

• 類似したユーザーがインタラクションするアイテムは類似しています。

ユースケース：

• 疎なユーザー行動データ。

• 間接的な関係の発見。

特性：

• 反復処理を行うため、収束が遅い可能性があります。

• マルチホップの関係を捉えます。

5.1 なぜシナリオを区別するのか？

異なるシナリオでは、ユーザーの意図と目標が異なるため、異なるリコール戦略が必要です：

5.2 あなたへのおすすめ

適用可能なアルゴリズム：

• DSSM ベクトルリコール：深いパーソナライゼーションのためのコアアルゴリズム。

• ETrec U2I：ユーザー行動履歴に基づく協調フィルタリング。

• Swing U2I：ロングテールの興味を発見するため。

• SimRank U2I：間接的な関係を発見するため。

• ユーザーグループ別人気アイテム：コールドスタートユーザーのフォールバック。

設定の特徴：

• ユーザーのパーソナライゼーションを重視

• 複数のリコールチャネルの融合

• レコメンデーションの多様性の制御

5.3 関連レコメンデーション

適用可能なアルゴリズム：

• ETrec I2I：アイテム類似度に基づく協調フィルタリング。

• アイテムグループ別人気アイテム：同じカテゴリから人気アイテムを推薦するため。

• DSSM ベクトルリコール：意味的類似度に基づいてアイテムをマッチングするため。

設定の特徴：

• 現在閲覧中のアイテムによってトリガー

• コンテンツの関連性を重視

• 同じカテゴリまたはトピックのアイテムを優先

5.4 アルゴリズムとシナリオのマッピング

6.1 ビジネスステージによる選択

6.2 マルチチャネルリコール融合

本番環境では、通常、複数のリコールチャネルを組み合わせます。

融合戦略：

• 重み付け融合：各リコールチャネルに異なる重みを割り当てます。

• 重複排除融合：アイテム ID で重複排除し、最高スコアを保持します。

• クォータ融合：各リコールチャネルに固定のスロット数を割り当てます。