【卒業論文】B2Bオークションにおけるユーザ別入札行動予測に関する研究

Copyright © 2020 調和系工学研究室 - 北海道大学大学院情報科学研究院情報理工学部門複合情報工学分野 – All rights reserved.
B2Bオークションにおけるユーザ別
入札行動予測に関する研究
2023/02/07
北海道大学工学部
情報エレクトロニクス学科情報理工学コース
複合情報工学分野調和系工学研究室
学部4年音喜多俊平

2
研究背景
オークション運営支援のプロトタイプのシミュレーション
背景
B2Bブランド品オークションでは
オンライン開催により出品数が増加
集積したデータの利用が望まれている
• 手動でのスタート価格設定が困難
• ユーザの入札判断の負担大
[本論文で取り扱う問題]
新たなオークションの支援が必要
• 時間的な制約からユーザは全てのアイテムに目を通すことが困難であり,
十分な入札が無いままにオークションが終了してしまうアイテムがある
– オンラインオークションでは，一週間など限られた期間の中で
同時に膨大な数のアイテムが出品される
• 主催者がユーザのニーズを把握しきれていない
– 多数の出品アイテムぞれぞれについて，ユーザのニーズを予測して
最低入札額であるスタート価格を設定しなければならない

研究目的
オークションが抱えている課題点を解決するために，
ユーザ別入札行動予測をおこなう
研究目的 3
出品商品群
ユーザ毎の商品へのニーズの推定
ランク付けされた
アイテムリスト
ハードル
• 同一商品の出品数少
• ユーザの過去の購入履歴が一意
① 開催中のオークションデータから
その時点での入札人数が少ないかつ、
入札可能性の高い商品を
ユーザに通知するシステムの構築
ユーザ別行動予測を
利用したオークション支援
リストから不落札が予測される
商品のスタート価格再設定
②

• ユーザへの個人化された商品推薦
– 入札の分散の改善
– 落札率の安定化や入札数の増加
本研究から考えられるサービス① 4
入札価格と
ユニーク入札者数
アルゴリズムを
用いた推薦
あなたの興味ありそうな
この商品は現在入札が少ないです
価格
時間
オークション
データベース
参加企業

本研究から考えられるサービス② 5
• スタート価格の再設定
– 不落札を予測される商品に対して
処置を講じることによる落札率の安定化
BtoBオークション企業は，出品アイテムを売り切るために
スタート価格設定を出品回数に応じて変更している
アルゴリズムによる
ユーザのニーズの推定
入札の見込みが薄い
アイテムを抽出
スタート価格の再設定

6
関連研究
オンライン市場の各分野における推薦システムの研究はこれまで広く行われてきた
しかし，後述するアイテムがユニークであるというBtoBオークションの特性から
推薦において主要なモデルである協調フィルタリングベースによるアプローチが難しい
ユーザ・アイテムの属性情報を利用し，推薦予測を行うモデルの研究は以下
⇒本論文では，類似した状況下で最も良い精度を示したと報告されたMultiRec[1]を採用
モデル概要
MultiRec[1] 購買関係以外のオークションに特有な
入札関係・入札価格を取り入れた
アイテム・ユーザ属性を利用
DeepFM[2] 因数分解マシンとDLのアンサンブル
を用いた学習により予測を行う
AANeuMF[3] matrix factorizationとDNNを組み合わ
せたNeuMF[3]というSOTAモデルを属
性を利用するように拡張したもの
[1] Ahmed Rashed, Shayan Jawed, Lars Schmidt-Thieme, Andre
Hintsches :MultiRec: A Multi-Relational Approach for Unique Item
Recommendation in Auction Systems (2020)
[2] Huifeng Guo, Ruiming Tang, Yunming Ye, Zhenguo Li, and Xiuqiang He. 2017.
DeepFM: a factorization-machine based neural network for CTR prediction. arXiv
preprint arXiv:1703.04247 (2017).
[3] Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu, and Tat-Seng
Chua. 2017. Neural collaborative filtering. In Proceedings of the 26th
international conference on world wide web. 173–182.

[BtoBブランド品オークション]
主催者側は一般消費者から買い取りを行ったブランド品を出品
ユーザは消費者へ販売を行う古物商が中心であり，
それぞれの在庫や販路などを考慮して入札判断をしている
ーユーザは消費者への販売を行う際の
利益が大きくなるようなアイテムを
入札および落札すると考えられる
ユーザは同種のオークション主催企業等
他の仕入れ先があるので，
ユーザにとっても利益のあるような
システム作りが必要となる
扱う問題の特性 7
図1 BtoBブランドオークションの構造
ユーザ

[SBAの概要]
– バリュエンスジャパン株式会社が主催する
オンラインオークション
• 入札期間は約一週間，自動入札付き
2ndプライスオークション，入札の回数の制限はない
– 毎月25000点以上が出品される
• 月に1~2回開催されている
• アイテムは時計やジュエリーなどのジャンルに分類される
– 不落札率は10%程
– アイテムの特性
• 型番や状態ランク等の属性情報を含めると同一のアイテムがない
取り扱うオークション 8

9
モデルの全体像
各ユーザごとの入札履歴
アルゴリズム
MultiRec
過去データに基づいたニーズによりランク付けした商品リスト
商品ID 見込み価
格
ジャンルブランド
515046 61,000 時計オメガ
515046 24,000 時計ロレッ
クス
515046 37,000 時計カシオ
① 開催済みオークションの
スナップショット取得
2020/12 2021/1 2021/2 2021/3 2021/4 2021/5 2021/6
1週目
推定に用いる期間 train_term
リストを出すオークション回
test_date
オークションデータ
② 対象回の出品データ取得
③ ユーザ毎の入札確率により
ランク付けしたアイテムリストの提示
商品ID 商品名
515046 オメガシーマスター
515046 シチズンエコドライブ
515046 タグホイヤーカレラ
対象回での
出品アイテムの取得

10
オークションに推薦システムを適用する上でのハードル
オンライン市場で主に適用される推薦モデルをオークションのドメインに適用するのは困難
ユニーク・・・価値や状態の意味で同じものがない
• 各アイテムはユニークで一度しか購買されない
• 各ユーザの購買履歴もユニークになり，共通の購買アイテムが存在しない
• アイテムの属性情報を用いず，類似の購買パターンマイニングに依存する
協調フィルタリングの適用は難しい
• ユーザ・アイテム属性を取り入れたハイブリッドモデルも存在するが，
高い精度を出せるのは過去の購買パターンの情報を活用したことによるもの
購買関係以外のオークションに特有な入札関係・落札価格を取り入れた
アイテム・ユーザ属性を利用するMultiRecモデルを採用する

11
問題定義
推薦タスクの定式化
ユーザ 𝑈: {𝑢1, 𝑢2, … , 𝑢𝑁} ユーザ属性 𝐴𝑢 ∈ ℝ𝑁×𝐽
アイテム 𝐼: {𝑖1, 𝑖2, … , 𝑖𝑀} アイテム属性 𝐴𝑖 ∈ ℝ𝑁×𝑂
入札履歴行列
𝑅𝐵(𝑢,𝑖)
= ቊ
1, 𝑢が𝑖を入札した場合
0, その他
𝑖1 𝑖2
𝑢1 1 0
𝑢2 0 0
𝑢3 0 0
入札履歴行列などを利用してユーザの選好をあらわす行列𝑅の空欄を推測する
選好(preference)とは、選択肢の集合上に定義される二項関係
ここでは，ユーザからアイテムへの入札可能性を指す

12
オークションドメインにおける推薦タスク
推薦タスクのその他の主要な適用先と比べて異なる特徴を持っている
購買が2つのフェーズでおこなわれる
入札最高額入札者が落札
ユーザとアイテムの関係も複数存在する→𝑅も複数
ユーザ-アイテム関係
• 入札をあらわす行列 𝑅𝐵
• 落札をあらわす行列
• 落札したかどうか 𝑅𝑃
• いくらで落札したか 𝑅𝑆
オークションドメインにおける推薦タスク
𝑅𝐵, 𝑅𝑃, 𝑅𝑆の履歴から𝑅𝐵を予測してユーザにランク付けされたアイテムリストを
掲示する
ユーザのアイテムへの選好を示す
弱いシグナル
落札はアイテムへのニーズが
あることを意味するより強いシグナル

13
MultiRecの全体像
提案手法MultiRecはFeature Extractionとスコアリング関数から構成される
MultiRecモデルの全体像
各アイテム，ユーザのリストをembedding
入札，落札，落札価格行列を生成しend-to-endで学習を行う
ユーザ
アイテム

14
Feature Extraction
非線形関数によるユーザ情報とアイテム情報のembedding
アイテムの属性
ユーザIDのOHE
ユーザ属性を結合
全結合ネットワークを
使っている（層数や
活性化関数は最適化）
embeddingをアイテムと
ユーザで別々に求めて
要素積を取る
ユーザ
アイテム

15
スコアリング関数
抽出したembeddingからスコアリング
アイテム・ユーザの
embeddingの要素積
非線形の全結合層

16
実験目的・方法 [上位の推薦]
• 目的
ユーザ毎の入札確率によりランク付けをしたリストの
上位の妥当性を評価
• シミュレーションの手法
– 本来の推薦すべきアイテムは，非入札であるが
もし見ていたら入札をしていたもの
• しかし，そのようなデータは用いるデータセットの中に無い
– 本稿では，入札のあったアイテムを疑似的な
正解データとして使用入札する入札ない
アイテムを
見た
疑似的な
正解データ
アイテムを
見ていない
正解データ

17
評価方法
広く用いられるleave-one-out評価プロトコルを採用[4]
• 方法
1. 各ユーザに対し、最新の入札を行ったアイテムtestデータとして除外、
残りをtrainに
2. 上記の正解アイテムと、対象ユーザが入札していない99個の
ランダムサンプリングした不正解アイテムの中でランク付けを行う
3. ランク付けされた商品リストを上からK個とって
パフォーマンスを測定
・Hit-Ratio: 上位K位の中に正解データが入っていたか
・Normalized Discounted Cumulative Gain(NDCG):ランキングも考慮
4. 各ユーザに対して別々に計算し、平均値を取る
5. 上記の1~4を5回行い平均の評価指標を報告
[4] He, X., Liao, L., Zhang, H., Nie, L., Hu, X. and Chua, T.-S.: Neural Collaborative Filtering, pp.173–182 (2017).

18
実験設定
[データセット]
SBAデータについて期間 : 2021年の1~7月まで
出品数が多く，モデルやブランド名の属性情報が使える時計ジャンル
• アイテムの特徴量は[ “アイテムid”,“開催日”,“入札価格”,“スタート価格”,
“落札見込み価格”,“モデル名” “ブランド名”,“商品ランク”]
• ユーザの特徴量は入札者の名前[“入札者”]
[パラメータチューニング] 以下の項目について最適化を行った

19
比較対象として用いるデータセット
先行研究では、公開されたebayによるオンラインオークションのデータセットで検証をしている
• eBayによって収集されたパブリックデータ
• 3つのユニークなアイテムのみの出品
• アイテムの特徴量は[オークションid,スタート価格,アイテム名,開催期間]の4つ
• SBAのデータセットと比較すると、ユニークなアイテムの種類が少ない。
また、用いている特徴量の数も少なくなっている。
データセット:
https://www.kaggle.com/onlineauctions/online-auctions-dataset/data#auction.csv
ユーザ数アイテム数落札数入札数ユーザ
特徴量
アイテム
特徴量
ユニークな
アイテム(％)
eBay 3,388 626 626 10,055 2 4 35.943
SBA 391 28,475 27,324 340129 1 8 99.999
表1: データセットの各統計情報
[eBayデータセット]

20
実験結果
表3: SBAにおける推薦精度検証の結果
• Hit-Ratioはebayデータセットを少し下回る
• ebayにはアイテムが4つしかないため、大まかな予測は容易
• NDCGはebayのデータセットよりも高いスコア
• 用いる特徴量が多いため、SBAのデータでは細かいランキングの部分が
より正確に予測出来ていると考えられる
表2: ebayデータセットにおける推薦精度検証の報告
Model HR@10 HR@20 HR@50 NDCG@10 NDCG@20 NDCG@50
MulitiRec 0.290 0.570 0.840 0.109 0.177 0.227
MultiRec+Bidding 0.420 0.600 0.910 0.160 0.204 0.257
MultiRec+Bidding+Sale Price 0.400 0.610 0.920 0.158 0.202 0.256
Model HR@10 HR@20 HR@50 NDCG@10 NDCG@20 NDCG@50
MultiRec+Bidding+Sale Price 0.353 0.565 0.859 0.190 0.244 0.302

ランク付けにおける課題点
• 特徴量の情報が類似しているが
入札の有無に差があるアイテムが存在
各ユーザの使える予算が月によって異なること，
他のユーザの入札状況が含まれていないことが原因と考えられる
リスト
ランキ
ング
入札の
有無
モデル名スタート価格落札額ブランド名ランク
7 ○ サブマリーナ 660,000 1,070,000 ロレックス AB
8 × サブマリーナ 594,000 933,000 ロレックス A
9 ○ サブマリーナ 570,000 920,000 ロレックス B
10 × エクスプローラー 480,000 803,000 ロレックス B
11 ○ エクスプローラー 429,000 708,000 ロレックス B
表5: あるユーザのランク付けの結果

22
実験目的・方法 [不落札商品予測]
• 目的
不落札（全ユーザから入札の無かった）アイテムの
予測を正しく評価できるかを分析
• 方法
– 各アイテム/ユーザについてMultiRecモデルを
用いて入札確率ො
𝑦𝐵を推定
– 不落札アイテムと入札があったアイテム
それぞれについてユーザからの入札確率を可視化
[行った可視化分析]
①ヒストグラムによる分布の可視化
②平均，最大や最小など統計値の算出

23
実験設定 [不落札商品予測]
[実験設定]
MultiRecのパラメータ及び扱うデータセットについては
上位の推薦で行った設定と同様
[アイテム群]
testアイテムとして扱うので，学習及び結果に支障が出ないように
データの一部をランダムでサンプリングして群を生成
①不落札アイテム群
不落札であったアイテム1151個からランダムに取り出した100個
②入札のあったアイテム群
ユーザ391件からランダムに100件を選び，ユーザ群とする
各ユーザから入札のあったアイテムを1個取り出して，合計100個とする

24
実験手順
[ヒストグラムによる分布の可視化]
1. 前項の手順でそれぞれ100件のユーザ群，アイテム群2つを生成
2. 学習を行い，全ての組に対して入札確率の予測を行う
3. それらの値全てを用いてヒストグラム化
[統計値の算出]
1. 上記と同様にアイテム,ユーザ群を生成し学習を行う
2. あるアイテムに対して，100件のユーザからの入札確率を予測し，
100件の入札予測確率について統計情報を算出
3. 3を全てのアイテムに対して行い，統計情報について平均値を取る
a.あるアイテムについて
各ユーザの入札確率を予測
ユーザ入札確率
○○株式会社 0.68
有限会社△△ 0.84
□□company 0.23
b.入札確率から
統計情報を計算
max,min
c.各アイテムの
統計情報を平均化
平均化
統計情報
max
min

25
結果:入札確率分布の可視化
図2: 各アイテム群における入札確率のヒストグラム
不落札アイテムは[0.0,0.1]の区間への予測が多い
不落札群は[0.7,1.0]の区間の分布が比較的少ない
⇒上位，下位k件の入札確率を用いた不落札推定を行うことの可能性

26
結果:統計値の算出
アイテム群平均値最大値上位20件
平均値
最小値下位20件
平均値
①不落札アイテム 0.387 0.924 0.565 0.000 0.057
②入札のあったアイテム 0.483 0.941 0.708 0.000 0.215
③2群における確率の差
③ = (② ー ①)
0.096 0.017 0.143 0.000 0.158
表4:各アイテム群における入札確率の統計情報
• 上位,下位20件での平均値の差が最も大きい
– 前頁のヒストグラムによる可視化の結果と一致する
全体の平均値よりも値に差が大きい
• 最大,最小値に関しては予測値にほとんど差は見られない
– 不落札アイテムの入札確率の最大値は本来低く出るべき
誤った予測が各アイテムに存在することが原因と考えられる

27
まとめ
• 実施事項
– MultiRecモデルによるユーザ別行動予測
• 結果の考察
– 推薦の評価スコアは他データセットと同等程度の精度
– アイテム群による入札確率分布の差異を確認
• 今後の課題
– 不落札と予測するための決定ルール分析

発表予定国内学会口頭発表（1件）
• ○音喜多俊平, 横山想一郎, 山下倫央, 川村秀憲, B2Bオークションに
おける商品推薦に向けたMultiRecによるユーザ別入札行動予測, 社会
システムと情報技術研究ウィーク(WSSIT2022), 2023.
研究業績 28

29
パラメータの最適化結果

30
Normalized Discounted Cumulative Gain
ランキングの評価指標
参考 Xiangnan He, Tao Chen, Min-Yen Kan, and Xiao Chen. TriRank: Review-aware Explainable
Recommendation by Modeling Aspects. In Proceedings of the 24th ACM International on
Conference on Information and Knowledge Management (CIKM '15). Association for Computing
Machinery, New York, NY, USA, 1661–1670. 2015. DOI:https://doi.org/10.1145/2806416.2806504
ランキングに応じてスコアを割り引いて，推薦されたアイテムのスコア和を
計算する
今回は購買商品が1つしかないのでスコア𝑟𝑖はある商品が1でほかは0
→
2𝑟𝑖
log2(𝑖+1)
を計算すればよい
• 𝑍𝑘は正規化係数
プログラム中ではインデックスが0始まりなので1ずれる

31
最適化
end-to-endで学習を行うようにする
各スコアとアイテム・ユーザ間の関係の履歴𝑅𝑃, 𝑅𝐵, 𝑅𝑆の3つからロスを計算
落札・入札の有無に関してはクロスエントロピー
落札価格はMSE
観測された
アイテム・ユーザ関係
（𝑆については落札されたもの）
観測されなかった
アイテム・ユーザ関係(𝑃の場合は不落札)
訓練時，+と-のサンプルは同じ割合
ユーザも一様になるようにサンプル

32
アルゴリズム全体
最終的には各ロスの重み付き線形和を最小化する
重みは固定ではなく
ハイパーパラメータ扱い

33
週ごと商品ランクの落札数割合
商品ランクの分布はほぼ同じになっている

34
週ごと商品モデルの落札数割合
ブランドをロレックスのみにして結果を表示
デイトジャストやサブマリーナなど,入札する傾向にあるモデルがあるとわかる

【卒業論文】B2Bオークションにおけるユーザ別入札行動予測に関する研究

Recommandé

Recommandé

Contenu connexe

Similaire à 【卒業論文】B2Bオークションにおけるユーザ別入札行動予測に関する研究

Similaire à 【卒業論文】B2Bオークションにおけるユーザ別入札行動予測に関する研究 (20)

Plus de harmonylab

Plus de harmonylab (20)

Dernier

Dernier (7)