技術要約：Eコマースユーザーの意図における短期的な変化と製品推薦ランキング

1. 問題提起

従来のEコマース推薦システムは、過去のクリックシーケンスや単一モダリティのアイテム特性に依存することが多い。しかし、単一セッション内でのユーザー行動は不均質であり、検索、画像閲覧、レビューの読解、価格比較、カートへの追加といった多様な操作を含んでいる。これらのインタラクションは、短期的なユーザーの関心が静的なものではなく、単一の製品ターゲットから、複数の消費シナリオ（例：衣類から旅行用品へのカテゴリ横断的な遷移）へと急速に変化し得ることを示している。

既存の手法は、以下の要素を十分に捉えられないことが多い：

• カテゴリ横断的な転移（Cross-category transfers）: セッション内における異なる製品カテゴリ間のユーザー意図のシフト。
• マルチモーダルな意味論（Multimodal semantics）: 視覚的な外観、テキストによるレビュー、および検索クエリの相互作用。
• 状態遷移（State transitions）: ブラウジングから購入準備、あるいは離脱へと至るユーザー意図の進化。

その結果、候補となる製品のランキングがユーザーの現在の意思決定フェーズと一致しないことが多く、特に低頻度アイテムやカテゴリ横断的なシナリオにおいて、推薦パフォーマンスの低下を招いている。

2. 手法

本論文では、クロスボーダーEコマース向けに設計された状態認識型マルチモーダル推薦ランキングモデル（State-Aware Multimodal Recommendation Ranking Model）を提案する。この手法は、468,320人のユーザー、126,480個のSKU、および4,200万件以上のインタラクションレコードを含むCEMR-42Mデータセットに基づいている。

2.1 データ表現と状態の定義

• セッションモデリング: セッションはイベント時刻と非活動境界に基づいて分割される。各セッションイベントは、行動タイプ、製品画像特徴、レビューテキスト特徴、検索語句特徴、製品属性、および時間間隔を結合した結合ベクトル $\eta_l$ として表現される。
• 6つの操作状態: 短期的なユーザーの意図は、プラットフォームのログから導出された6つの観察可能な状態に離散化される：
  1. ブラウジング探索（Browsing Exploration）: 高頻度のクリックと画像閲覧。
  2. 価格比較（Price Comparison）: レビューの読解および類似製品への切り替え。
  3. カテゴリ横断的移行（Cross-Category Migration）: カテゴリ間の距離の増大や検索語句の変化によって誘発される。
  4. 購入準備（Purchase Preparation）: お気に入り登録、カートへの追加、および集中的な比較。
  5. リピート購入（Repeat Purchase）: 履歴に基づく類似SKUへの再訪問。
  6. 離脱（Abandonment）: 長時間の非活動、またはコンバージョンに至らないセッションの終了。

2.2 モデルアーキテクチャ

モデルは主に4つのコンポーネントで構成される：

1. マルチタイプ行動シーケンスエンコーディング:

   • 行動カテゴリは離散的な識別子にマッピングされ、製品ID、カテゴリ、時間間隔、およびデバイス情報と組み合わされる。
   • 学習ユニットは**セッション接頭辞サンプル（session-prefix sample）**である。イベント $t$ までの接頭辞が入力として機能し、次のイベントがクリックの教師信号となる。$t+3, t+5, t+10$ における将来の状態は、マルチステップの遷移ラベルとして機能する。
   • 直近のコンテキストを保持するため、20イベントのウィンドウが保持される。短いセッションはパディングされ、長いセッションは切り捨てられる。

2. マルチモーダル特徴抽出と融合:

   • 視覚エンコーダー（Visual Encoder）: 色、スタイル、形状、およびシーンの特性を抽出する。
   • テキストエンコーダー（Text Encoder）: レビューからサイズ、品質、物流、およびユーザー体験の意味論を抽出する。
   • 検索エンコーダー（Search Encoder）: 即時的なユーザーのニーズを捉える。
   • マスク付きゲート融合（Masked Gated Fusion）: モダリティの欠損（例：画像のない製品）に対処するため、マスク付きゲート融合メカニズムが結合製品表現 $z_i$ を生成する。これは学習可能なゲートパラメータを使用して、利用可能なモダリティ（画像、レビュー、検索、属性）に重みを付け、欠損データに対する堅牢性を確保する。

3. 短期的な意図状態予測:

   • マルチステップの状態分類器が、次の3、5、10ステップにおける6つの状態の確率分布（$\hat{\pi}^{(d)}$）を予測する。
   • これにより、モデルは即時のクリック嗜好と、遅延した購入傾向を区別することができ、ランダムなクリックの変動による干渉を軽減できる。

4. 状態認識型ランキングメカニズム:

   • 最終的なランキングスコア $\hat{r}_{\kappa,q}$ は、セッションコンテキストベクトル、マルチモーダル製品表現、および予測された3、5、10ステップの将来の状態確率分布を結合して算出される。
   • このメカニズムは、単なる類似性だけでなく、ユーザーの予測される意思決定段階や将来の遷移傾向に基づいて候補を再ランキングする。

2.3 学習目的

4つのタスクを同時にバランスさせるために、**マルチタスク共同学習（Multi-Task Joint Learning）**アプローチが採用されている：

1. 次のクリック予測（Binary Cross-Entropy）。
2. 候補のランキング（Pairwise Ranking Loss）。
3. 現在の意図認識（Cross-Entropy）。
4. 将来の状態遷移予測（3、5、10ステップに対するCross-Entropy）。

総損失関数 $\mathcal{L}$ は、これらタスクの加重和にL2正則化を加えたものであり、モデルが単一の信号（例：クリックノイズ）に支配されるのを防ぐ。

3. 主な貢献

• 状態認識モデリング: ユーザーの短期的な意図を、単なるクリックの平坦なシーケンスではなく、6つの操作状態のシーケンスとして明示的にモデル化することで、カテゴリ横断的な移行などの複雑な遷移の捕捉を可能にした。
• マルチモーダル統合: 行動、画像、レビュー、および検索クエリを統合する堅牢な融合メカニメントを開発し、マスク付きゲートを用いて、画像の欠落したSKUなどの問題に特化した対処を行った。
• マルチステップ・ホライゾン予測: 複数の将来のホライゾン（3、5、10ステップ）にわたって状態分布を予測することで、ランキングシステムが直近の次のクリックを超えてユーザーのニーズを先読みすることを可能にした。
• 大規模データセット: 詳細なセッションレベルのアノテーションを持つ、大規模なマルチモーダル・クロスボーダーEコマースデータセットであるCEMR-42Mを導入した。

4. 実験結果

モデル（名称：MISTRec）は、Wide & Deep、DIN、DIEN、SASRec、BERT4Rec、MMRec、およびCLIP4Recを含むベースラインと比較して評価された。

• 次クリック予測: MISTRecはAUC 0.8219およびLogLoss 0.3748を達成し、最良のベースラインであるCLIP4RecをAUCで0.0034上回った。
• Top-K 推薦:
  • NDCG@10: 0.4317（BERT4Recより0.0158高い）。
  • Recall@10: 0.2865（SASRecより0.0191高い）。
• 意図状態予測:
  • Intent-F1: 0.7426。
  • 状態遷移精度: 0.7189。
  • 予測精度はホライゾンの長さとともに低下した（3ステップで0.7462、10ステップで0.6890）。これは意図の予測可能性の自然な減衰を反映している。
• カテゴリ横断および低頻度性能:
  • カテゴリ横断的Recall: 0.2736であり、SASRec（0.2145）を大幅に上回った。
  • 低頻度アイテムのRecall@10: 0.2387であり、スパースなインタラクションを持つアイテムの取り扱いが改善されていることを示した。
• 効率性: 平均推論レイテンシは、200個の候補セットに対して38.2 ms（P95は45.7 ms）であり、オンラインの再ランキングに適している。

アブレーション研究により、状態予測モジュールを除去するとNDCG@10が大幅に低下（0.4317から0.4176へ）することが確認され、状態認識型再ランキングの重要性が検証された。

5. 意義と限界

本論文は、短期的な状態遷移を明示的にモデル化することで、ユーザーが頻繁にカテゴリ間を切り替えるシナリオ（例：衣類、美容、アウトドア、3C、旅行用品）において、ランキングの堅牢性が大幅に向上することを主張している。マルチモーダルデータの統合により、歴史的なクリックの共起性が存在しない場合でも、同様の検索シナリオや視覚的スタイルに基づいて異なるカテゴリ間の候補をリンクすることが可能になる。

控えめな主張と限界:
著者らは、いくつかの限界とモデリング上の仮定を明示的に認めている：

• 弱い教師あり学習: 6つの意図状態はログから導出された操作ラベルであり、直接観察された心理状態ではない。
• エンジニアリング上の仮定: セッション接頭辞サンプリングおよび20イベントウィンドウは、信号の保持とノイズ削減のバランスを取るためのエンジニアリング上の選択である。
• 評価範囲: 低頻度アイテムの評価は、厳密なコールドスタート（ゼロ・インタラクション）ではなく、スパースな履歴（1〜4回のインタラクション）を持つアイテムをテストしている。
• オフライン対オンライン: オフラインの指標は、ユーザーの中断、遅延したフィードバック、またはオンラインの露出バイアスを完全には捉えていない。

著者らが示唆する今後の課題には、未知のアイテムに対するテストの探索、因果的な状態遷移の特定、軽量なマルチモーダルコーディング、およびオンラインA/Bテストが含まれる。