Pfeed: Generating Real-Time Personalized Feeds with Precomputed Embedding Similarities

Conceptos Básicos

Precomputed embeddings enhance personalized feeds in real-time, boosting customer engagement and conversions.

Resumen

1. Abstract:

• Recommender systems use embeddings for customer actions and items.
• Challenges: user embeddings limit diversity, real-time updates are costly.
• Proposed method: dynamic updates every two minutes using precomputed embeddings.
• Tested at Bol, leading to a 4.9% uplift in conversions.

2. Introduction:

• Bol aims to enhance customer experience with personalized feeds.
• Challenges in personalized feed systems: customer, item, candidate retrieval, and ranking.
• Industry approach and proposed solution for personalized feeds.

3. Four Challenges in Personalized Feed Systems:

• Customer representation challenge: distilling complex behaviors into concise representations.
• Item representation challenge: identifying relevant data for diverse item attributes.
• Candidate retrieval challenge: training customer and item representations, efficient retrieval.
• Ranking challenge: re-ranking retrieved candidates using learning-to-rank algorithms.

4. Our Contributions:

• Overcoming challenges with a user-item framework and dual encoders.
• Addressing drawbacks of user encoding model with multiple embeddings.
• High infrastructure and maintenance costs associated with user embeddings.

5. Related Work:

• Matrix factorization methods pre-deep learning era, deep learning applied in recommender systems.
• YouTube, eBay, Pinterest papers on customer and item representation challenges.

6. Methodology:

• Pfeed involves training multi-vector item embeddings and generating personalized recommendations.
• Representing items with three embeddings: view query, buy query, and target.
• Model architecture: transformer encoder for generating three item embeddings in one model run.

7. Training with Contrastive Learning:

• Training data includes query-target pairs for view-buy and buy-buy relationships.
• Utilizing a Single Input Multi Output (SIMO) embedding model for efficiency.

8. Generating Personalized Feed Recommendations:

• Historical and recent customer interactions used to generate personalized feed recommendations every two minutes.

Estadísticas

사용자 임베딩은 다양성을 제한하고 실시간 업데이트는 비용이 많이 든다.
제안된 방법: 미리 계산된 임베딩을 사용하여 매 두 분마다 동적 업데이트.
Bol에서 테스트되어 고객 참여 및 전환율이 4.9% 향상됨.

Citas

"In personalized recommender systems, embeddings are often used to encode customer actions and items."
"The method enhanced customer engagement and experience, leading to a significant 4.9% uplift in conversions."

Ideas clave extraídas de

Pfeed

by Binyam Gebre... a las arxiv.org 03-07-2024

https://arxiv.org/pdf/2402.16073.pdf

Consultas más profundas

어떻게 사전 계산된 임베딩이 실시간 개인화 피드 생성에 도움이 되는가?

사전 계산된 임베딩은 개인화 피드 생성에 중요한 역할을 합니다. 이 연구에서는 사용자의 상호작용을 나타내는 쿼리 임베딩과 해당 상호작용에 대한 유사성을 미리 계산하여 저장합니다. 이를 통해 개인화된 추천을 실시간으로 생성할 때 효율적으로 활용할 수 있습니다. 즉, 사용자에게 맞는 추천을 빠르게 제공하면서도 미리 계산된 유사성을 활용하여 추천 프로세스를 최적화할 수 있습니다. 이는 사용자 경험을 향상시키고 비용을 절감하는 데 도움이 됩니다.

사용자 임베딩의 다양성 제한과 비용 측면에서 어떤 도전에 직면하게 되는가?

사용자 임베딩은 사용자의 행동을 인코딩하는 데 사용되는데, 이는 사용자의 관심사를 제한할 수 있는 다양성 제한 도전으로 이어질 수 있습니다. 또한 사용자 임베딩을 최신 상태로 유지하는 것은 실시간 인프라가 필요하며 비용이 많이 소요될 수 있는 도전입니다. 새로운 사용자 행동마다 사용자 인코더를 실행하여 새로운 임베딩과 추천을 생성해야 하기 때문에 비용이 증가하게 됩니다. 또한 사용자 인코더가 효과적으로 상호작용 시퀀스를 모델링하기 위해 커야하므로 비용이 더욱 증가할 수 있습니다.

이 연구가 추천 시스템 분야에 미치는 영향은 무엇인가?

이 연구는 추천 시스템 분야에 중요한 영향을 미칩니다. 기존의 사용자-아이템 프레임워크에서 벗어나 아이템 간 관계를 모델링하는 방식으로 사용자를 표현하는 새로운 방법을 제시합니다. 이를 통해 아이템 간 관계를 더 효과적으로 캡처하고 개인화된 피드를 생성하는 방법을 제시합니다. 또한 사전 계산된 쿼리 임베딩과 이에 대한 유사성을 활용하여 실시간으로 개인화된 추천을 생성하는 방법을 소개함으로써 효율성과 해석 가능성을 동시에 확보합니다. 이를 통해 고객 참여 및 경험을 향상시키고 변환율을 높이는 등의 긍정적인 영향을 미칠 수 있습니다.