[论文解读] A Heterogeneous Information Network based Cross Domain Insurance Recommendation System for Cold Start Users

Ye Bi, Liqiang Song+4 more|arXiv (Cornell University)|Jul 30, 2020

Recommender Systems and Techniques参考文献 29被引用 5

一句话总结

该论文提出了一种基于异构信息网络的跨域保险推荐（HCDIR）系统，以解决保险用户缺乏购买历史的冷启动问题。通过利用非金融电商平台中的用户行为，借助GRU进行动态兴趣建模，并构建融合关系、节点和语义注意力机制的保险异构信息网络（IHIN），HCDIR 学习到鲁棒的用户与产品表征，在平安精管家数据集上显著优于当前最先进方法。

ABSTRACT

Internet is changing the world, adapting to the trend of internet sales will bring revenue to traditional insurance companies. Online insurance is still in its early stages of development, where cold start problem (prospective customer) is one of the greatest challenges. In traditional e-commerce field, several cross-domain recommendation (CDR) methods have been studied to infer preferences of cold start users based on their preferences in other domains. However, these CDR methods could not be applied to insurance domain directly due to the domain specific properties. In this paper, we propose a novel framework called a Heterogeneous information network based Cross Domain Insurance Recommendation (HCDIR) system for cold start users. Specifically, we first try to learn more effective user and item latent features in both source and target domains. In source domain, we employ gated recurrent unit (GRU) to module user dynamic interests. In target domain, given the complexity of insurance products and the data sparsity problem, we construct an insurance heterogeneous information network (IHIN) based on data from PingAn Jinguanjia, the IHIN connects users, agents, insurance products and insurance product properties together, giving us richer information. Then we employ three-level (relational, node, and semantic) attention aggregations to get user and insurance product representations. After obtaining latent features of overlapping users, a feature mapping between the two domains is learned by multi-layer perceptron (MLP). We apply HCDIR on Jinguanjia dataset, and show HCDIR significantly outperforms the state-of-the-art solutions.

研究动机与目标

• 为解决在线保险推荐中的冷启动问题，即大多数用户在保险领域缺乏交互历史。
• 通过从具有丰富用户交互的源域（非金融电商平台）迁移知识，提升新用户推荐性能。
• 利用异构信息网络（HIN）对保险产品的复杂结构及用户-代理交互关系进行建模。
• 在目标域中学习用户与保险产品有效、多层次注意力机制的表征，以缓解数据稀疏性问题。
• 通过多层感知机（MLP）建立源域与目标域之间的跨域特征映射，实现个性化推荐。

提出的方法

• 在源域中，使用门控循环单元（GRU）基于用户在非金融电商平台中的序列交互行为，建模其动态兴趣。
• 在目标保险域中，构建保险异构信息网络（IHIN），通过多种关系类型整合用户、代理、保险产品及产品属性。
• 应用三级注意力机制——关系级、节点级和语义级——聚合异构邻居的信息，增强用户与项目表征学习。
• 通过多层感知机（MLP）学习源域与目标域表征之间的映射，实现用户偏好从源域到目标域的迁移。
• 通过对比学习目标联合优化用户与产品嵌入，以提升泛化能力与推荐准确率。

实验结果

研究问题

• RQ1 跨域推荐技术能否有效缓解保险领域中用户交互数据极度稀疏情况下的冷启动问题？
• RQ2 如何有效建模保险产品的复杂结构及其与代理和属性之间的关系，以提升表征学习效果？
• RQ3 多级注意力机制（关系级、节点级、语义级）在异构信息网络中对保险推荐的用户与项目表征学习增强程度如何？
• RQ4 所提出的HCDIR框架是否在真实世界保险推荐数据上显著优于现有最先进跨域推荐模型？

主要发现

• HCDIR 在平安精管家数据集上显著优于当前最先进跨域推荐方法，展现出在冷启动场景下的卓越性能。
• 在源域中使用GRU有效捕捉了用户兴趣的演化过程，提升了迁移表征的质量。
• IHIN中的三级注意力机制有效聚合了异构信息，生成更具信息量的用户与产品嵌入。
• 基于MLP的域间特征映射成功地将用户偏好从源域迁移到目标域，即使在目标域交互稀疏的情况下也表现良好。
• 构建的保险异构信息网络（IHIN）捕捉了丰富的结构与语义关系，实现了对复杂保险产品及代理-用户动态关系的更好建模。