[论文解读] Explainable Product Search with a Dynamic Relation Embedding Model

Qingyao Ai, Yongfeng Zhang+2 more|arXiv (Cornell University)|Sep 16, 2019

Advanced Graph Neural Networks参考文献 75被引用 4

一句话总结

本文提出动态关系嵌入模型（DREM），一种新颖的可解释商品搜索方法，通过从多关系商品数据构建会话特定的知识图谱，并利用动态关系嵌入来建模用户-商品交互。DREM 通过知识图谱上的逻辑推理与软匹配，显著优于当前最先进基线模型，在提升检索性能的同时生成人类可理解的解释。

ABSTRACT

Product search is one of the most popular methods for customers to discover products online. Most existing studies on product search focus on developing effective retrieval models that rank items by their likelihood to be purchased. They, however, ignore the problem that there is a gap between how systems and customers perceive the relevance of items. Without explanations, users may not understand why product search engines retrieve certain items for them, which consequentially leads to imperfect user experience and suboptimal system performance in practice. In this work, we tackle this problem by constructing explainable retrieval models for product search. Specifically, we propose to model the "search and purchase" behavior as a dynamic relation between users and items, and create a dynamic knowledge graph based on both the multi-relational product data and the context of the search session. Ranking is conducted based on the relationship between users and items in the latent space, and explanations are generated with logic inferences and entity soft matching on the knowledge graph. Empirical experiments show that our model, which we refer to as the Dynamic Relation Embedding Model (DREM), significantly outperforms the state-of-the-art baselines and has the ability to produce reasonable explanations for search results.

研究动机与目标

• 通过引入可解释的检索模型，弥合商品搜索中系统感知相关性与用户感知相关性之间的差距。
• 将用户-商品关系建模为动态的、会话特定的关系，而非静态知识图谱链接。
• 利用多关系商品数据上的结构化推理，生成人类可读且逻辑基础坚实的搜索结果解释。
• 在电商搜索系统中，联合优化检索效果与解释质量。
• 探索解释质量对用户信任度及交易行为的影响。

提出的方法

• 利用多关系商品数据（如类别、品牌、共同购买、浏览通过关系）构建随搜索会话动态演化的知识图谱。
• 在共享潜在空间中学习用户与商品的动态关系嵌入，捕捉会话特定的交互关系。
• 使用软匹配算法，基于查询与商品特征，在知识图谱中识别相关解释路径。
• 通过从查询到检索商品的路径追踪，应用逻辑推理生成解释，确保语义一致性。
• 使用启发式函数（公式13与14）对解释路径进行打分，以排序并选择最相关的解释。
• 将检索与解释生成整合到统一的端到端框架中，通过联合优化进行训练。

实验结果

研究问题

• RQ1 与静态知识图谱或基线模型相比，动态知识图谱表示是否能提升商品搜索中的检索性能？
• RQ2 模型生成的解释在信息相关性与说服力方面对人类用户是否有效？
• RQ3 解释质量在多大程度上与检索性能或用户交易可能性相关？
• RQ4 在不同商品领域中，哪些关系类型（如“也买了”、“也浏览了”）对解释质量的贡献最为显著？
• RQ5 检索与解释生成的联合优化是否能带来整体系统效果的提升？

主要发现

• DREM 在标准检索指标（如NDCG与MAP）方面显著优于当前最先进商品检索基线模型。
• DREM 生成的解释极为有效：超过84%的有用解释（Q3 ≥ 1）提供了相关商品或查询信息（Q1+ 或 Q2+），表明其具有强大的信息相关性。
• 即使解释被判定为无用（Q3 = 0），其失败率也低于16%，即不到16%的解释未能提供对查询或商品的基本相关性，显示出解释质量的稳健性。
• 标注者发现，在利基领域（如Kindle商店、CD与黑胶唱片）中，“也买了”和“也浏览了”等关系的实用性较低，产品类别的熟悉度显著影响了解释的效用。
• 检索性能与解释有用性之间无显著相关性，表明解释质量是系统有效性中一个独立且可分离的维度。
• 标注者指出，当排名首位的商品无关时，解释尤其低效，凸显了商品相关性与解释质量之间对齐的必要性。