[论文解读] An LSTM-Based Dynamic Customer Model for Fashion Recommendation

Sebastian Heinz, Christian Bracher+1 more|arXiv (Cornell University)|Aug 24, 2017

Recommender Systems and Techniques参考文献 8被引用 9

一句话总结

本文提出了一种基于LSTM的动态客户模型，通过实时建模序列购买行为来捕捉不断演变的时尚偏好。通过将预训练的单品嵌入（Fashion DNA）与共享的时间感知LSTM网络相结合，该模型在Zalando提供的10万客户数据集上取得了88.5%的AUC，优于静态协同过滤和流行度基线模型。

ABSTRACT

Online fashion sales present a challenging use case for personalized recommendation: Stores offer a huge variety of items in multiple sizes. Small stocks, high return rates, seasonality, and changing trends cause continuous turnover of articles for sale on all time scales. Customers tend to shop rarely, but often buy multiple items at once. We report on backtest experiments with sales data of 100k frequent shoppers at Zalando, Europe's leading online fashion platform. To model changing customer and store environments, our recommendation method employs a pair of neural networks: To overcome the cold start problem, a feedforward network generates article embeddings in "fashion space," which serve as input to a recurrent neural network that predicts a style vector in this space for each client, based on their past purchase sequence. We compare our results with a static collaborative filtering approach, and a popularity ranking baseline.

研究动机与目标

• 解决时尚电商中客户偏好动态演变的挑战，其中购买序列稀疏且不频繁。
• 通过深度神经网络利用精心整理的目录特征，克服新时尚单品的冷启动问题。
• 通过将时间动态因素融入客户建模，超越静态风格指纹，提升推荐准确性。
• 在真实时尚平台环境中，评估序列购买历史与时间感知建模对推荐性能的影响。

提出的方法

• 一个深度前馈神经网络从包括图像、标签、价格和面料成分在内的单品特征中生成密集的、低维的Fashion DNA嵌入。
• Fashion DNA嵌入作为所有时尚单品的固定、静态描述符，实现在时间上的统一表示。
• 一个共享的长短期记忆（LSTM）网络处理每位客户的过往购买时间序列，以预测随时间变化的风格向量。
• 该模型使用Sigmoid排名损失函数优化排序性能，并通过负采样提升泛化能力。
• 通过动态更新的风格向量与商品嵌入之间的点积，计算客户特定的购买意图得分。
• 最终的推荐列表通过在评估时刻根据商品的购买意图得分对店内商品进行排序生成。

实验结果

研究问题

• RQ1 循环神经网络能否在时尚推荐场景中有效建模客户风格偏好随时间的演变？
• RQ2 与静态协同过滤相比，将时间动态因素融入客户建模在推荐性能上有多大的提升？
• RQ3 该模型在多大程度上缓解了训练期间未见过的新时尚单品的冷启动问题？
• RQ4 购买序列的稀疏性与部分排序特性对基于RNN的推荐系统在时尚领域的性能有何影响？

主要发现

• 动态LSTM模型在相同测试集上取得了88.5%的AUC，显著优于静态模型（85.2%）和流行度基线（80.2%）。
• 与静态模型相比，该动态模型将覆盖50%购买行为所需的推荐数量从13,500减少至9,300，将覆盖90%购买行为所需的推荐数量从80,000减少至63,000。
• 对于训练期间未见过的新引入商品，动态模型实现了87.7%的AUC，而基线模型仅为64.4%，表明其具有强大的冷启动鲁棒性。
• 由于LSTM中客户间参数共享，该模型的参数量低于100万，远低于静态模型约10^8的参数量。
• 在高精度区域（前10名推荐），该模型表现更优，平均仅需400次推荐即可覆盖10%的购买行为。
• Sigmoid排名损失优于Softmax损失，表明在该序列推荐任务中，基于排序的优化比分类更有效。