[论文解读] A Long-Short Demands-Aware Model for Next-Item Recommendation

Ting Bai, Pan Du+3 more|arXiv (Cornell University)|Feb 12, 2019

Recommender Systems and Techniques参考文献 47被引用 11

一句话总结

该论文提出了一种长短期需求感知模型（LSDM），通过多时间尺度捕捉长期重复购买行为与短期协同购买模式。通过将用户购买行为聚类为时间尺度特定的序列，并利用具有联合学习的RNN进行建模，LSDM在真实世界电商数据集上提升了下一商品推荐的准确性，验证了时间敏感需求建模的价值。

ABSTRACT

Recommending the right products is the central problem in recommender systems, but the right products should also be recommended at the right time to meet the demands of users, so as to maximize their values. Users' demands, implying strong purchase intents, can be the most useful way to promote products sales if well utilized. Previous recommendation models mainly focused on user's general interests to find the right products. However, the aspect of meeting users' demands at the right time has been much less explored. To address this problem, we propose a novel Long-Short Demands-aware Model (LSDM), in which both user's interests towards items and user's demands over time are incorporated. We summarize two aspects: termed as long-time demands (e.g., purchasing the same product repetitively showing a long-time persistent interest) and short-time demands (e.g., co-purchase like buying paintbrushes after pigments). To utilize such long-short demands of users, we create different clusters to group the successive product purchases together according to different time spans, and use recurrent neural networks to model each sequence of clusters at a time scale. The long-short purchase demands with multi-time scales are finally aggregated by joint learning strategies. Experimental results on three real-world commerce datasets demonstrate the effectiveness of our model for next-item recommendation, showing the usefulness of modeling users' long-short purchase demands of items with multi-time scales.

研究动机与目标

• 为解决现有推荐系统仅关注用户兴趣而忽略时间敏感购买需求的不足。
• 建模长期持续兴趣（如重复购买）与短期协同购买行为（如购买颜料后购买画笔）。
• 引入多时间尺度序列，以捕捉单尺度模型所遗漏的多样化购买模式。
• 通过在不同时间粒度上联合学习长期与短期需求，提升下一商品推荐性能。

提出的方法

• 模型使用多个时间尺度，根据时间接近度将连续用户购买行为聚类为序列。
• 应用循环神经网络（RNN）对每个时间尺度上的用户购买序列进行建模，捕捉序列依赖关系。
• 在每个时间尺度上分别学习长期与短期需求，每类聚类使用独立的RNN。
• 采用联合学习策略，聚合来自多个时间尺度的表示，形成统一的用户需求嵌入。
• 将用户-物品交互历史与时间感知聚类相结合，以检测重复购买与协同购买模式。
• 多时间尺度设计使模型能够检测不同时间粒度下的多样化购买频率与共现模式。

实验结果

研究问题

• RQ1 在多个时间尺度上建模用户购买行为是否能提升下一商品推荐性能？
• RQ2 长期重复购买与短期协同购买在时间模式上存在哪些差异，能否分别建模？
• RQ3 多尺度需求的联合学习是否能比单尺度模型更准确预测下一商品？
• RQ4 引入时间敏感需求信号是否能超越通用兴趣建模，进一步提升推荐准确性？

主要发现

• LSDM在三个真实世界电商数据集（Ta-Feng、BeiRen和Amazon）上均优于最先进基线模型。
• 通过同时捕捉长期与短期购买需求，模型显著提升了下一商品推荐的准确性。
• 多时间尺度建模使模型能够检测到单尺度模型无法捕捉的多样化协同购买与重复购买模式。
• 长期与短期需求的联合学习有助于更准确地表征实时用户需求，从而提升推荐的相关性。
• 实验结果验证了时间敏感购买需求是提升推荐性能的关键信号。