強調データの拡張学習によるBiterm Topic Model の解釈性向上法に関する一考察

抄録

ECサイトには，購買数の少ないライトユーザが大多数を占めるサイトが数多く存在する．こうしたライトユーザばかりの購買履歴データに対して，Latent Dirichlet Allocationなどのトピックモデルを適用した場合，ユーザごとの少ない購買データからトピックを推定するため，推定精度が低下してしまう．そこで，Biterm Topic Model (BTM）が提案されている．BTMは，ユーザの購買履歴に含まれる2つのアイテムのペア（バイターム）に同一のトピックを仮定したモデルであり，同時購買確率が高いバイタームを重視してトピックを学習する．しかし，多くのユーザに購入される人気アイテム同士も共起する確率が高くなる場合がある．実際には，同時購買確率は低くとも，アイテムAが購買されたもとでアイテムBが購買される条件付購買確率が高いバイタームの方が，マーケティング施策立案などのビジネス目的では重要性が高い．そこで，本研究では，条件付購買確率が高いアイテムのペアを関連性のあるバイタームと定義し，これらを重視した新たな学習方法を提案する．加えて，人工データと実データに対して提案手法の有効性を検証する．