[论文解读] Complementary-Similarity Learning using Quadruplet Network

Mansi Ranjit Mane, Stephen Guo+1 more|arXiv (Cornell University)|Aug 26, 2019

Advanced Clustering Algorithms Research被引用 4

一句话总结

本文提出了一种孪生四元组网络，仅使用文本标题联合学习物品相似性与功能互补性，从而实现对冷启动及低参与度产品的精准、可扩展推荐。该模型在嵌入表示中实现了相似、互补与负样本之间的优越分离，排名准确率优于基线模型，同时在相似性与互补性任务上均保持了平衡的性能。

ABSTRACT

We propose a novel learning framework to answer questions such as "if a user is purchasing a shirt, what other items will (s)he need with the shirt?" Our framework learns distributed representations for items from available textual data, with the learned representations representing items in a latent space expressing functional complementarity as well similarity. In particular, our framework places functionally similar items close together in the latent space, while also placing complementary items closer than non-complementary items, but farther away than similar items. In this study, we introduce a new dataset of similar, complementary, and negative items derived from the Amazon co-purchase dataset. For evaluation purposes, we focus our approach on clothing and fashion verticals. As per our knowledge, this is the first attempt to learn similar and complementary relationships simultaneously through just textual title metadata. Our framework is applicable across a broad set of items in the product catalog and can generate quality complementary item recommendations at scale.

研究动机与目标

• 解决在电子商务中推荐功能互补物品的挑战，同时将其与相似物品区分开来。
• 通过仅利用物品标题文本，克服协同过滤在冷启动和低参与度场景下的局限性。
• 构建一个统一的嵌入空间，使相似物品聚类更紧密，互补物品与锚点的距离小于非互补物品但大于相似物品。
• 从亚马逊共购买数据中构建一个新的四元组数据集（锚点、相似、互补、负样本）以供评估。
• 通过同时学习相似性与互补性，提升推荐多样性，避免出现如将不同鞋子推荐为互补品等错误推荐。

提出的方法

• 使用通用句子编码器从物品标题生成512维文本嵌入作为初始表示。
• 设计一个具有共享编码器和两层全连接层（256和128个单元）的孪生四元组网络，使用ReLU激活函数，将物品映射到共享潜在空间。
• 采用基于三元组损失的目标函数，强制满足：距离(锚点, 相似) < 距离(锚点, 互补) < 距离(锚点, 负样本)，并引入边缘超参数。
• 应用基于边缘的约束：$d(a_f, s_f) < d(a_f, c_f)$ 与 $d(a_f, c_f) < d(a_f, n_f)$，其中边缘参数为 $m_s = 0.1$，$m_c = 0.4$，$m_n = 0.8$。
• 使用Adam优化器，在Tesla K80 GPU上以512的批量大小和0.001的学习率训练30个周期。
• 采用随机负样本采样，承认未来工作中可能存在与相似或互补物品重叠的局限性。

实验结果

研究问题

• RQ1 深度学习模型能否仅使用文本标题元数据，有效学习物品之间的相似性与功能互补性？
• RQ2 统一嵌入空间在多大程度上能有效区分相似、互补与非互补（负样本）物品？
• RQ3 与仅训练单一关系的模型相比，联合学习相似性与互补性是否能提升互补推荐的质量？
• RQ4 该模型在无共购买历史的冷启动物品上泛化能力如何？
• RQ5 与仅在互补性上训练的通用句子编码器和孪生三元组网络基线相比，该模型的性能表现如何？

主要发现

• 所提出的四元组网络在所有对比方法中取得了最高的排名准确率，展现出在区分相似、互补与负样本物品方面更优的能力。
• 训练后，模型成功分离了距离分布：相似物品最近，其次是互补物品，最后是负样本，重叠极少。
• 相比之下，通用句子编码器在相似与互补物品之间的距离分布存在重叠，导致难以区分。
• 仅针对互补性优化的孪生三元组网络在相似性任务上准确率下降，凸显了联合学习的优势。
• 该模型在相似性与互补性任务之间保持了平衡性能，避免了单目标模型中常见的性能权衡。
• 图4中的定性示例表明，该模型能为服装类物品生成多样且相关的互补推荐（如牛仔裤、皮带、围巾），避免冗余或错误建议。