[论文解读] Beyond Movie Recommendations: Solving the Continuous Cold Start Problem in E-commerce Recommendations

Julia Kiseleva, Alexander Tuzhilin+7 more|arXiv (Cornell University)|Jan 1, 2016

Recommender Systems and Techniques参考文献 49被引用 4

一句话总结

本文提出上下文用户画像以解决电子商务中的持续冷启动问题（CoCoS），该问题因用户与商品互动稀疏或不稳定而导致用户和商品长期处于'冷启动'状态。通过从交易日志中挖掘隐式情境上下文，创建用户行为的离线聚类，该方法实现了轻量级、高影响力的个性化排序——在Booking.com的线上A/B测试中，点击率（CTR）提升了20%。

ABSTRACT

Many e-commerce websites use recommender systems or personalized rankers to personalize search results based on their previous interactions. However, a large fraction of users has no prior inter-actions, making it impossible to use collaborative filtering or rely on user history for personalization. Even the most active users mayvisit only a few times a year and may have volatile needs or different personas, making their personal history a sparse and noisy signal at best. This paper investigates how, when we cannot rely on the user history, the large scale availability of other user interactions still allows us to build meaningful profiles from the contextual data and whether such contextual profiles are useful to customize the ranking, exemplified by data from a major online travel agentBooking.com.Our main findings are threefold: First, we characterize the Continuous Cold Start Problem(CoCoS) from the viewpoint of typical e-commerce applications. Second, as explicit situational con-text is not available in typical real world applications, implicit cues from transaction logs used at scale can capture essential features of situational context. Third, contextual user profiles can be created offline, resulting in a set of smaller models compared to a single huge non-contextual model, making contextual ranking available with negligible CPU and memory footprint. Finally we conclude that, in an online A/B test on live users, our contextual ranker in-creased user engagement substantially over a non-contextual base-line, with click-through-rate (CTR) increased by 20%. This clearly demonstrates the value of contextual user profiles in a real world application.

研究动机与目标

• 解决用户缺乏或仅有稀疏历史交互数据时的个性化推荐挑战，这是旅游和电子商务平台中的常见问题。
• 研究在缺乏显式用户历史数据的情况下，如何为那些预订频率低或兴趣多变的用户构建有意义的用户画像。
• 开发一种可扩展、低资源占用的上下文排序方法，利用交易日志中的隐式信号来建模情境偏好。
• 评估上下文用户画像在真实世界中对用户参与度指标（如点击率和人均点击数）的影响。

提出的方法

• 利用交易日志提取隐式情境上下文，包括用户代理、一天中的时间以及会话级行为，以推断上下文用户画像（CUPs）。
• 应用k-means聚类，基于多准则排序特征对相似用户会话进行分组，形成代表不同旅行意图情境的独立CUPs。
• 使用欧几里得距离将新用户映射到最近的CUP，实现在线推理速度快、计算成本极低。
• 在每个CUP上训练朴素贝叶斯分类器，为目的地查找系统生成个性化的目的地排序。
• 离线创建CUPs，从而生成一组小型高效模型，而非单一庞大非上下文模型，确保CPU和内存开销低。
• 在A/B测试中使用非上下文基线排序器，以隔离上下文画像对参与度指标的影响。

实验结果

研究问题

• RQ1 在旅游推荐系统背景下，如何表征持续冷启动问题（CoCoS）？
• RQ2 在无监督的真实场景中，如何从多准则排序数据中发现并定义上下文用户画像？
• RQ3 如何在持续冷启动环境中应用上下文用户画像对旅游目的地进行排序？
• RQ4 上下文用户画像在真实世界部署中提升用户参与度的效果如何？

主要发现

• 持续冷启动问题（CoCoS）在电子商务中普遍存在，尤其在Booking.com等旅游平台中，用户经常长时间不活跃或在不同身份间切换。
• 交易日志中的隐式线索（如用户代理和一天中的时间）能有效捕捉情境上下文的关键特征，实现无需显式上下文信息的稳健画像构建。
• 上下文用户画像可离线创建，并用于一组小型高效模型中，与单一庞大非上下文模型相比，显著降低了CPU和内存开销。
• 在一次线上A/B测试中，上下文排序器使点击率（CTR）提升了20%，人均点击数提升了21%，相比非上下文基线。
• 该方法展现出显著的真实世界影响，证明即使在数据稀疏、用户持续处于冷启动状态的场景下，上下文画像也能显著提升用户参与度。
• 该方法具有可扩展性，适用于其他面临类似冷启动挑战的电子商务和搜索平台，尤其适用于用户行为稀疏或不稳定的场景。