[论文解读] Footwear Size Recommendation System

Shreya Singh, Ghada Abdulla+2 more|arXiv (Cornell University)|Jun 28, 2018

Nutritional Studies and Diet参考文献 7被引用 9

一句话总结

本文提出了一种基于概率的鞋码推荐系统——加权品牌相似度推荐（WBSR），该系统利用品牌-品牌共购买图与相似度评分，以解决数据稀疏性和冷启动问题。通过在品牌层面建模用户偏好并引入品牌相似度，WBSR 在精度和覆盖率方面优于以往基于 skip-gram 的方法，将稀疏度从 0.8 降低至平均 0.64。

ABSTRACT

While shopping for fashion products, customers usually prefer to try-out products to examine fit, material, overall look and feel. Due to lack of try out options during online shopping, it becomes pivotal to provide customers with as much of this information as possible to enhance their shopping experience. Also it becomes essential to provide same experience for new customers. Our work here focuses on providing a production ready size recommendation system for shoes and address the challenge of providing recommendation for users with no previous purchases on the platform. In our work, we present a probabilistic approach based on user co-purchase data facilitated by generating a brand-brand relationship graph. Specifically we address two challenges that are commonly faced while implementing such solution. 1. Sparse signals for less popular or new products in the system 2. Extending the solution for new users. Further we compare and contrast this approach with our previous work and show significant improvement both in recommendation precision and coverage.

研究动机与目标

• 解决在线时尚电商中，针对较不热门或新推出的鞋类商品购买信号稀疏的问题。
• 解决平台无购买历史的新用户所面临的冷启动问题。
• 在精度和覆盖率方面超越以往方法（如基于 skip-gram 的嵌入方法），提升尺码推荐效果。
• 利用用户会话数据（点击、加入购物车、下单）构建一个稳健、可投入生产的尺码推荐系统。

提出的方法

• 利用点击流数据（点击、加入购物车、下单）构建品牌-品牌共购买图，以在品牌层面建模用户偏好。
• 基于用户会话中品牌的共现情况，计算品牌-品牌相似度评分，以增强推荐置信度。
• 在性别-商品类型层级构建概率图模型 $G_s$，其中节点代表性别、商品类型和品牌，加权边表示共购买频率。
• 在概率计算中应用边缘化，聚合相关品牌的证据，提升模型鲁棒性。
• 使用超参数 $\alpha$（边权重阈值）和 $\lambda$（softmax 阈值）优化推荐精度，其中 $\lambda = 0.7$，$\alpha$ 设定为边权重的 75 百分位数。
• 整合用户提供的尺码偏好数据（如偏好的品牌和常规尺码），以帮助新用户启动推荐。

实验结果

研究问题

• RQ1 如何设计一个尺码推荐系统，以应对新品牌或较不热门鞋类品牌购买信号稀疏的问题？
• RQ2 与 SKU 级嵌入相比，基于品牌层面的共购买模式和相似度评分能否显著提升推荐准确率？
• RQ3 用户提供的偏好数据（如偏好的品牌和常规尺码）在多大程度上可有效解决新用户的冷启动问题？
• RQ4 在概率图模型中，超参数 $\alpha$ 和 $\lambda$ 的最优配置是什么，以最大化推荐准确率？

主要发现

• WBSR 系统将图的稀疏度从 skip-gram 模型的 0.8 降低至平均 0.64，显著提升了数据覆盖率。
• 最优超参数 $\lambda$ 被确定为 0.7，在验证集上实现了最高准确率。
• 最优边权重阈值 $\alpha$ 被识别为总边权重的 75 百分位数，在男款运动鞋类别中实现了峰值准确率。
• 品牌相似度评分（如耐克与阿迪达斯的相似度为 0.65）有效提升了推荐的置信度与准确率。
• 与先前的 abdullasize 方法相比，该系统在精度和覆盖率方面表现更优，尤其在新用户和稀疏商品类别中优势明显。
• 通过使用简单的用户提供的偏好信息（品牌和尺码），该方法成功解决了冷启动问题，实现了从首次交互即生成准确的尺码推荐。