[论文解读] Inferring Networks of Substitutable and Complementary Products

Julian McAuley, Rahul Pandey+1 more|arXiv (Cornell University)|Jun 29, 2015

Sentiment Analysis and Opinion Mining参考文献 29被引用 87

一句话总结

该论文提出Sceptre，一种监督链接预测框架，通过在产品评论上进行主题建模，并结合评分、价格等辅助特征，推断可替代与互补的产品关系。在包含900万件亚马逊商品和1.44亿条评论的数据集上进行训练，Sceptre在预测替代关系和互补关系方面均优于基线方法，用户研究表明其互补推荐显著优于亚马逊的“也看了”推荐。

ABSTRACT

In a modern recommender system, it is important to understand how products relate to each other. For example, while a user is looking for mobile phones, it might make sense to recommend other phones, but once they buy a phone, we might instead want to recommend batteries, cases, or chargers. These two types of recommendations are referred to as substitutes and complements: substitutes are products that can be purchased instead of each other, while complements are products that can be purchased in addition to each other. Here we develop a method to infer networks of substitutable and complementary products. We formulate this as a supervised link prediction task, where we learn the semantics of substitutes and complements from data associated with products. The primary source of data we use is the text of product reviews, though our method also makes use of features such as ratings, specifications, prices, and brands. Methodologically, we build topic models that are trained to automatically discover topics from text that are successful at predicting and explaining such relationships. Experimentally, we evaluate our system on the Amazon product catalog, a large dataset consisting of 9 million products, 237 million links, and 144 million reviews.

研究动机与目标

• 开发一种可扩展的方法，用于在大型电子商务目录中识别可替代和互补的产品关系。
• 利用文本评论和评分、价格、品牌等辅助特征，建模产品之间的语义关系。
• 构建一个能够生成上下文感知推荐的系统——当用户比较产品时推荐替代品，当用户考虑捆绑购买时推荐互补品。
• 通过利用文本特征在无评论时实现冷启动推荐。
• 通过将预测结果与产品评论中的显著短语关联，实现可解释的推荐。

提出的方法

• Sceptre将产品关系预测建模为一个监督链接预测任务，使用从产品评论、评分、价格和类别层级中提取的特征。
• 采用主题建模（特别是LDA）来发现能预测可替代性和互补性的评论中的潜在主题。
• 将这些主题特征与显式特征（如品牌、价格、评分）结合，同时预测两种类型的关系。
• 利用层级类别结构来限制搜索空间并提高效率，将推荐限制在直接家族类别（父类、子类、兄弟类及自身）范围内。
• 为实现解释性，Sceptre突出显示模型相关性函数中激活值最高的评论句子，提供可解释的推荐依据。
• 系统通过使用预训练的LDA模型估计新产品的主题分布，无需完整微调，从而支持冷启动。

实验结果

研究问题

• RQ1 在产品评论上训练的主题模型能否有效预测可替代和互补的产品关系？
• RQ2 结合辅助特征（如价格、品牌、评分）是否能提升产品关系链接预测的准确性？
• RQ3 该系统能否在无评论或评论极少的新产品上实现泛化（冷启动场景）？
• RQ4 预测的互补关系与实际的共同购买和浏览行为相比如何？
• RQ5 用户是否更倾向于选择Sceptre的推荐而非现有系统（如亚马逊的“也看了”）？

主要发现

• 在亚马逊数据集上，Sceptre在预测替代关系和互补关系的链接预测准确率方面显著优于基线方法。
• 用户研究表明，Sceptre的互补推荐被用户普遍更偏好于亚马逊的“也看了”推荐，表明其在捕捉互补意图方面具有更优质量。
• 产品评论文本是识别产品关系最有效的信息来源，主题建模能有效捕捉替代和互补关系背后的语义信号。
• 通过将搜索限制在直接类别家族（父类、子类、兄弟类及自身），系统实现了高效率，减少计算量的同时不损失顶级推荐性能。
• Sceptre通过使用预训练的LDA模型估计新产品的主题分布，实现有效的冷启动推荐，避免了完整微调的需要。
• 系统通过突出显示评论中相关的句子成功解释了推荐结果，增强了透明度和用户信任。