An Improved Sampler for Bayesian Personalized Ranking by Leveraging View Data

여기서는 DNS (dynamic negative sampling) 전략으로 불림

• Introduction
  • DNS 방식은 item 크기가 클 때 낮은 효율을 보임
  • Two RQ(Research Questions)
    • 전체 space 에서 negative sampling 을 하는것이 꼭 필요한가?
    • BPR 을 위해 더 나은 sampling 을 제안할 수 있는가?
• Unnecessary to sample from all items
  • 전체 item space 에 대해서 uniform 하게 sampling 을 진행하지 않아도 성능에 큰 영향이 없었음
  • 특히 item size 가 큰 경우 (약 10 만개 이상), item space 를 줄였더니 오히려 성능 향상이 있었음
    • space 줄이는 방법은 임의로 일부 아이템들을 선택
• A View-Enhanced Sampler

  • 하나의 유저에 대해 3 가지 sets 으로 item space 를 나눔: ${\mathcal{P}}_u,{\mathcal{V}}_u,\text{and}{\mathcal{R}}_u$

    • 순서대로, 해당 유저가 구입한 아이템들, 구입하진 않았지만 view 가 발생한 아이템들 그리고 나머지 아이템들

  • 그리고 $(i,j)$ 를 세 candidate sets 에서 샘플링을 진행 : $\left\{(i,j)\mid i\in {\mathcal{P}}_u,j\in {\mathcal{V}}_u\right\}$, $\left\{(i,j)\mid i\in {\mathcal{P}}_u,j\in {\mathcal{R}}_u\right\}$, $\left\{(i,j)\mid i\in {\mathcal{V}}_u,j\in {\mathcal{R}}_u\right\}$

  • 여기서 $(u,i,j)\in \mathcal{D}$ 는 $u$ 가 $i$ 를 $j$ 보다 더 좋아한다는 의미

  • 샘플링 할때는 미리 정의된 확률 값 ($\left[{\omega }_1,{\omega }_2,{\omega }_3\right]$) 으로 휴리스틱하게 진행

• Discussion
  • click 이 없는 (${\mathcal{P}}_u$ 가 없는) case 에서도 잘 동작하는 로직을 원하기 때문에 별로…
  • 확률 값을 미리 정하는 것도 별로임

Related

• BPR - Bayesian Personalized Ranking from Implicit Feedback
• Improving Pairwise Learning for Item Recommendation from Implicit Feedback

B) References

• paper link: https://dl.acm.org/doi/pdf/10.1145/3184558.3186905