[论文解读] Inferring Complementary Products from Baskets and Browsing Sessions

Ilya Trofimov|arXiv (Cornell University)|Sep 25, 2018

Recommender Systems and Techniques参考文献 23被引用 13

一句话总结

本文提出 BB2vec，一种多任务学习模型，通过联合学习购物车购买行为与浏览会话数据中的商品嵌入，以提升互补商品推荐效果。通过同时利用两类数据，BB2vec 在低购买量商品上的表现优于仅使用购物车数据的模型，有效缓解冷启动问题，并在多个电商数据集上达到最先进性能。

ABSTRACT

Complementary products recommendation is an important problem in e-commerce. Such recommendations increase the average order price and the number of products in baskets. Complementary products are typically inferred from basket data. In this study, we propose the BB2vec model. The BB2vec model learns vector representations of products by analyzing jointly two types of data - Baskets and Browsing sessions (visiting web pages of products). These vector representations are used for making complementary products recommendation. The proposed model alleviates the cold start problem by delivering better recommendations for products having few or no purchases. We show that the BB2vec model has better performance than other models which use only basket data.

研究动机与目标

• 通过利用购买行为与浏览行为数据，解决电商场景中互补商品推荐的冷启动问题。
• 通过结合购物车与会话数据，提升购买量极少或无购买记录商品的推荐准确率。
• 开发一种可扩展、计算高效的模型，从异构用户交互信号中学习共享的商品表征。
• 证明联合建模购物车与浏览会话可获得优于仅依赖购物车数据模型的性能。

提出的方法

• BB2vec 使用多任务学习框架，联合优化购物车共现模式与浏览会话模式，学习商品的分布式向量表示（嵌入）。
• 模型采用负采样与排序损失函数训练商品嵌入，目标是将真实共现商品排在负样本之前。
• 引入一个共享的商品嵌入空间，该空间由购买购物车与浏览会话共同学习，实现两类数据之间的知识迁移。
• 学习目标设计为可扩展，采用基于采样的方法，高效处理大规模浏览数据。
• 模型采用对比学习目标，促使查询商品嵌入与正样本商品嵌入的点积高于负样本。
• 最终的推荐得分由查询商品嵌入与候选商品嵌入在共享空间中的点积计算得出。

实验结果

研究问题

• RQ1 与仅使用购物车数据的模型相比，联合建模购物车与浏览会话是否能提升互补商品推荐性能？
• RQ2 BB2vec 模型在购买量极少或无购买记录的商品上表现如何，即是否有效缓解了冷启动问题？
• RQ3 在模型训练过程中，使用学习排序目标与分类目标相比有何影响？
• RQ4 BB2vec 模型在处理大规模浏览会话数据时的可扩展性如何？
• RQ5 该模型在不同电商数据集（稀疏程度各异）上是否具备良好的泛化能力？

主要发现

• BB2vec 在所有数据集和评估指标上均取得最佳预测性能，优于仅使用购物车数据的最先进模型。
• 该模型显著提升了购买量极少商品的 HitRate@10，尤其在 CIKM’16 和 RecSys’15 等稀疏数据集上性能差距最为明显。
• BB2vec 的学习排序变体（BB2vec, rank.）优于分类变体（BB2vec, class.），表明排序优化在此任务中更有效。
• BB2vec 能够为训练集中购买次数为零的商品生成推荐，而仅使用购物车的模型不具备此能力。
• 得益于高效的负采样目标函数，BB2vec 在处理大规模浏览数据时仍保持良好可扩展性。
• 超参数调优表明，最优嵌入维度与正则化参数因数据集而异，BB2vec 使用的维度更小（如 d=100），表明其具有更高的数据效率。