[RecSys] Amazon Personalization 살펴보기

9 minute read

Amazon Personalization for the world

Amazon에서 제공하는 개인화 추천 솔루션인 Amazon Personalize에 대해 알아봅니다.

drawing


1. AWS에서 2019년에 런치한 개인화 추천 서비스

2. 머신러닝 엔지니어 없이도 자동화된 실시간 추천 솔루션을 시스템에 적용할 수 있음

3. user meta, item meta, interaction 세 가지의 데이터셋을 사용가능, interaction은 필수



본 포스트는 Anoop Deoras(Amazon)의 발표 영상을 토대로 작성한 노트입니다. 영상은 여기에서 보실 수 있습니다.

  1. Intro
    • 2019년에 런치된 개인화 추천 서비스
    • misson: 모든 개발자가 사용할 수 있게 머신러닝을 제공하는 것
    • AWS ML stack의 3가지 레이어
      1) bottom: Frameworks, AMIs, Docker Images
      2) middle: Sagemaker, ML/DS practitioners, Notebooks, HPO, Model zoos..
      3) top: AI services: fully managed, Pre-trained and auto-trained models WITHOUT ML/DS practitioners
  2. Amazon Personalization
    • 개인화된 추천을 제공하기 위한 fully managed service
    • 매우 유관한 추천을 거의 실시간에 제공
    • custom & private한 추천모델을 사용자의 고객에 맞추어 제공, ML/DS 전문가 필요 없음
    • user meta, item meta, interaction 데이터셋을 사용할 수 있음
  3. 로데이터에서 고객 API Endpoint까지
    • 원클릭 솔루션을 제공하기 위해 노력함 (로데이터에서 개인용 커스텀 딥러닝 모델 API까지)
    • 라지 스케일이며, 거의 실시간이고, contextual하며 시간 순에 민감한 딥러닝 모델을 빌드함
    • 내부적으로(under-the-hood), Amazon Personalize는 아래와 같은 작업을 처리
      1) 데이터 조사(inspection): 결측치, 이상치 검사
      2) featurization: 텍스트, 카테고리와 같은 비정형 데이터 처리, 수치 변수 표준화 등
      3) HPO: 베이지안 최적화를 사용해 딥러닝 모델의 HPO
      4) model training & optimization& hosting
      5) real time feature store for near realtime reco
  4. Personalize 사용하기
    1) Data ingestion
    2) Training
    3) Inference

  5. 6개의 use cases
    1) user specific reco: 이번 발표의 포커스
    2) coldstart users
    3) coldstart items
    4) similar items
    5) personalized ranking
    6) popularity

  6. User Personalization - key features
    1) user impression: impression data를 모델링, 노출되었으나 클릭되지 않은 아이템
    2) item exploration: 새로운 아이템과 유저가 좋아할만한 아이템 사이를 밸런싱
    3) filtering of event: 이벤트 기준에 따라서 추천할 아이템을 포함하거나 배제
    4) filtering based on metadata: 아이템이나 유저의 메타데이터 기준에 따라 추천할 아이템을 포함하거나 배제
    5) cold start: 새로운 유저나 아이템에 대한 추천을 포함

  7. 딥러닝 추천 모델에 대한 일반적인 아키텍처
    • 크게 두 개의 레이어로 구성됨: exploration, exploitation
  8. Exploitation layer
    • exploitation layer에서는 item id embedding과 item meta data 기반 representation을 사용해 아이템을 표현
    • 한 유저를 $n$개의 아이템과 이벤트로써 표현한다고 해보자. 유저는 $x_1,x_2,…,x_n$으로 표현될 수 있을 것
    • $x_i$는 i번째 아이템의 표현인데, 두 개로 나누어져 얻어짐. 하나는 $e_i$로 표시되는 item id embedding, 다른 하나는 $f_i$로 표시되는 item meta based representation임. 이들은 각각 $E$와 $F$라는 임베딩 매트릭스에서 $x_i$의 내적을 통해 lookup됨
    • 이 둘 $(e_i, f_i)$이 결합됨으로써 $z_i$가 구해짐. $z_i = W(e_i \mid f_i))$ 이는 일종의 latent representation임
    • 이 latent representation을 RNN, transformer, FNN 등의 알고리즘에 태워서 h_u라는 유저 representation을 구해냄
    • 이 $h_i$를 아까 사용했던 $E$와 $F$의 전치행렬에 내적해줌으로써 vocab의 score를 구할 수 있음.
    • 이들은 각각 O, O로 표현됨
  9. Exploration layer
    • $x_1,x_2,…,x_{vocab}$이 있을 때, 최신성(recency, 지금까지 아이템이 받아온 impression)과 경향성(propensity, 아이템의 유저에 대한 경향)을 살펴보고 모든 아이템에 대한 score(일종의 exploration score)를 얻게 될 것임
    • 이 결과로 얻은 $O$와 앞에서 얻은 두 $O$를 목적함수에 넣은 뒤 최적화
    • 이렇게 함으로써 유관하고(relevant), 최신성에 편향되고(recency biased), 새로운 컨텐츠를 탐색하는 추천 결과를 제공함
  10. User personalization DL model challenges
    • scale: 어떻게 이 딥러닝 시퀀셜 모델을 수백만의 아이템이 포함된 카탈로그에 대해 scale up할 수 있는가?
    • near real time reco: 어떻게 유저의 최신 행동에 대해 뒤쳐지지 않은 추천을 제공한다고 확신할 수 있나?
    • contextual bandit: 어떻게 탐색과 활용의 트레이드오프 지점을 확신할 수 있는가?
    • unstructured text info: 카탈로그 온톨로지(장르, 서브장르)를 구축하는 것은 매우 비쌈. 로우 텍스트를 그대로 처리할 수는 없을까?
    • business objectives: 비즈니스 목표를 직접적으로 최적화할 수는 없을까?(스트리밍 시간, 매출..)
  11. Scaling Deep Learning model: partition function, importance sampling, negatives
    • 시퀀셜 추천 모델은 이벤트에 대한 언어 모델로 볼 수 있음
    • 유저 맥락/표현 $h_t$가 있을 때, 다음 이벤트/아이템 y_t에 대한 조건부 확률은 다음과 같이 표현됨: $P(y_t \mid h_t)=\frac{e^{-\epsilon(y_t, h_t)}}{Z(h_t)}$
    • $Z(h_t)$는 추적 가능하지만, 학습 중에 연산 비용이 비쌈
    • energy based model: $P(X=z) = \frac{e^{-\epsilon(z)}}{Z}$, 여기서 $z$는 energy, $Z$는 partition function
    • 경사하강법 기반의 최적화 알고리즘의 핵심은 기울기를 취하는 것임. 여기서는 log likelihood를 취해준 뒤 기울기를 구함.
    • log likelihood 후 미분하면 2개의 텀으로 나뉨. 이 중 오른쪽은 energy의 기울기의 기댓값이 됨. 여기서 ‘average’는 Gibbs sampling으로 추정될 수 있음.
    • 그러나 $P(.)$에서 샘플링하려면 $P(.)$을 추정해야하는데 여기에는 우리가 모르는 Z가 포함되어 있음
    • 이 텀에 surrogate function Q를 도입함으로써 문제를 처리함. $Q$는 샘플링이 쉬운 함수로 선택.
    • 내부 텀에 대하여 평균을 취해주면, 우리가 알고싶은 expectation에 대한 unbiased and constant 한 추정치를 얻을 수 있음.
    • 따라서 정리된 식에, $Q$에서 뽑은 $m$개의 샘플을 대입하여 쉽게 정리 가능
    • 그러나 여전히 $P(.)$가 내부 텀에 포함되어 있음. 샘플링할 필요는 없으나, 평가를 위해서는 필요함. 그러나 이는 연산이 매우 비쌈. (매 가중치 스텝마다 해주어야 하므로)
    • 이 문제를 해결하기 위해 biased estimator를 사용함.
  12. 조슈아 밴지오의 아이디어
    • 조슈아의 논문에서 아이디어를 얻었음.
    • $P(.)$을 상수곱(multiplicative constant)으로 명시적(explicitly) 표현할 수 있는가? YES.
    • 여기서의 아이디어는 $(1/W)w(y_i)$를 가중치로 사용하는 것임.
    • 이제 핵심적인 질문은, surrogate $Q$로 무엇을 써야하느냐, 그리고 $m$은 몇개나 되어야 하느냐임.
  13. 실험
    • vocab size가 중요: 소-중규모의 보캡 수에 달하면 연산이 매우 복잡해짐. 따라서 특정 역치를 기점으로 importance sampling을 사용하는 것이 필요함, 그 아래 사이즈의 데이터셋은 일반적인 추론을 수행
    • importance sampling에 의해 쓰루풋이 수천배 차이나고 결과적으로 성능에도 영향을 미침.
    • Q 선택: working 했던 분포는 standard unigram popularity distribution임.
    • 샘플수 m: vocab의 sqrt가 잘 먹히는듯 (like a charm)
    • 샘플링 방법: 샘플링은 학습에 미니배치마다 stochasticity를 주기때문에 효율적임. alias sampling은 처음에 시간이 조금 소요되나 이후에는 O(1)의 속도를 보여주므로 매우 효율적인 샘플링기법임
  14. Cold start
    • coldstart를 해결하기 위해, 크게 두가지 접근을 취함.
      1) unstructured textual inputs: item meta data를 사용함으로써 문제해결
      2) Exploitation/Exploration tradeoff
  15. Item content embeddings
    • 아이템 설명과 같은 텍스트 데이터는 SOTA NLP 모델에 입력되어 dense representation을 만들어냄
    • 이 NLP 모델은 추천 모델과 결합적으로 학습/파인튜닝될 수 있음 (모델 내부에 포함될수도, 바깥에 있을 수도 있음) -> usecase에 따라서 nlp 모델과 같이 파인튜닝 될지 아닐지를 결정
    • 상품 설명을 사용한 모델과 그렇지 않은 모델을 비교
    • 아이템당 인터랙션의 수가 적은 데이터셋일수록, 상품 설명 텍스트 메타데이터는 성능에 도움을 줌 (amazon prime pantry dataset에 실험)
    • 그러나 메타데이터 생성은 매우 비용이 많이 드는 과정이고, 모든 사용자(Amazon Personalize 사용자)가 이것을 하려고 하지는 않을 것
    • 비정형 텍스트 메타데이터를 사용해서, 메타데이터 필요없이 모델을 만들 수 있다면 좋지 않을까?
    • 실험 결과, 수작업한 메타데이터에 비해 텍스트를 사용한 결과가 모든 지표에서 좋았음
  16. 비정형 텍스트 데이터에 대한 best practice
    • 편집상에서 검증된, 간결/유관/정보적인 설명이 각각의 아이템에 대해 제공될 경우, 그리고 가장 적절한 설명이 텍스트 서두에 나올 경우가 권장됨
    • 결측이 많은 텍스트 칼럼은 텍스트를 포함시킨 작업의 긍정적인 영향을 감소시킴(pantry 데이터셋에 적용시킨 결과, 비율이 늘수록 성능은 떨어지지만 그럼에도 90퍼 결측인 상황에도 텍스트 없는 상황보다 3배 높은 성능)
    • 마크업이나 공백을 사전에 처리해 주는 작업이 유용
    • 다국어를 위해서는 영어모델보단 다국어 nlp모델 사용
  17. Exploit/Explore
    • 환경은 변화함. 아이템이 새로 들어오고 나가고, 유저의 취향은 변화하기 마련
    • 변치않는 목표: 유저의 취향에 맞는 아이템 제공
    • exploration을 아이템 신선도, 노출, 유저 친밀도(user affinity)의 함수로 만들자
  18. 시뮬레이션
    • 매 라운드마다 1명의 유저와 10개의 아이템을 생성
    • 각 스텝마다 각 유저에게 1개의 추천을 제공, 300 스텝 진행
    • 100번째 스텝에서, 유저의 관심사가 역전됨
    • 각 스텝에서의 유저 반응이 모델 재학습을 위해 수집됨, 모델이 10 스텝마다 업데이트됨
    • exploration이 없는 모델의 경우 유저 관심이 변한 후의 reward를 회복하지 못함.
    • exploitation only: greedy하며, exploration에 reluctant함
  19. Streaming Events
    • 자동 모델 업데이트: 전체 학습(full training)은 아이템 카탈로그에 대한 모델의 시각을 고정시킴(freeze)
    • 환경은 빠르게 변하며, 새로운 아이템과 그들의 속성 역시 매우 빠르게 변화함
    • Amazon Personalize는 새로운 아이템과 그들의 최신 메타데이터를 포함하도록 모델을 업데이트하고, exploration 과정을 유저로부터의 암묵적/명시적인 피드백을 사용해 조정함
    • 이를 위해서는 앞서 살펴본 E와 F 매트릭스를 들여다보아야 함. 새로운 아이템이 들어오면, 이 매트릭스들의 내부 파라미터를 조정해서 출력 스코어에 반영되도록 해야함
    • E는 아이템 id 임베딩이고, F는 아이템 메타데이터 임베딩임.
    • $O=E^T * h_u + b$ 그리고 $O=F^T * h_u + b$ 로 나타낼 수 있음 (output)
    • $E$ 혹은 $F$는 embedding size * vocab size이고, $O$는 vocab size * 1임
    • 새로운 아이템이 추가되면, E와 F에 새로운 추가적인 차원 하나가 필요하고, $O$/$O$는 그들에 대한 새로운 스코어를 가지게 될 것 (우리가 자동으로 모델을 업데이트하기 위해 필요한 새로운 아이템에 대한 스코어)
    • 모든 새로운 아이템에 대해, 이미 존재하는 아이템 스페이스의 이웃을 찾기 위해 메타데이터를 사용함으로써 스마트한 초기화 수행 -> 전체 재학습 없이도 사용 가능한 성능 얻어냄
  20. Automatic updates vs model training: Best practice
    • 주기적으로 모델을 학습하되 자동 업데이트를 사용해서 최신 아이템 메타데이터의 트렌드를 반영
    • full training 사이에 발생한 유저의 implicit feedback을 사용, exploration을 조정
    • 그러나 full training은 비쌈
    • incremental training에 대한 실험이 진행중
  21. Near Real time recommendation
    • Amazon Personalize에 streaming event를 보내기 위해 event tracker를 사용할 수 있음
    • event tracker는 event tracker가 설치된 서비스에서 발생한 가장 최신의 유저 액션을 제공해줌
    • 이벤트 아이디, 발생 시간, 이벤트 타입, 특징(아이템 아이디 등) 을 전송해줌
  22. 정리
    • ML code는 전체 시스템의 매우 일부분에 불과함
    • ML 시스템 전반은 Amazon에게 맡기고, 고객에게 더 중요한 일에 집중할 수 있도록 해줌
    • 아마존에 고객 이슈를 대응하는 24/7 고객 팀이 있음.

개선을 위한 여러분의 피드백과 제안을 코멘트로 공유해 주세요. 내용에 대한 지적, 혹은 질문을 환영합니다.

Leave a comment