[论文解读] Learning Item-Interaction Embeddings for User Recommendations

Xiaoting Zhao, Raphael Louca+2 more|arXiv (Cornell University)|Dec 11, 2018

Recommender Systems and Techniques参考文献 12被引用 6

一句话总结

本文提出了一种新颖的方法，用于学习基于交互的物品嵌入，该方法同时编码物品身份和交互类型（例如，浏览、加入购物车、购买），从而实现更准确且可解释的用户推荐。通过在学习到的嵌入空间中建模物品-交互对之间的共现模式，该方法在大规模生产环境的推荐系统中提升了候选集选择的效果，进而在在线A/B测试中实现了更高的点击率和转化率。

ABSTRACT

Industry-scale recommendation systems have become a cornerstone of the e-commerce shopping experience. For Etsy, an online marketplace with over 50 million handmade and vintage items, users come to rely on personalized recommendations to surface relevant items from its massive inventory. One hallmark of Etsy's shopping experience is the multitude of ways in which a user can interact with an item they are interested in: they can view it, favorite it, add it to a collection, add it to cart, purchase it, etc. We hypothesize that the different ways in which a user interacts with an item indicates different kinds of intent. Consequently, a user's recommendations should be based not only on the item from their past activity, but also the way in which they interacted with that item. In this paper, we propose a novel method for learning interaction-based item embeddings that encode the co-occurrence patterns of not only the item itself, but also the interaction type. The learned embeddings give us a convenient way of approximating the likelihood that one item-interaction pair would co-occur with another by way of a simple inner product. Because of its computational efficiency, our model lends itself naturally as a candidate set selection method, and we evaluate it as such in an industry-scale recommendation system that serves live traffic on Etsy.com. Our experiments reveal that taking interaction type into account shows promising results in improving the accuracy of modeling user shopping behavior.

研究动机与目标

• 解决传统基于共现的候选集选择方法的局限性，后者忽略交互类型且覆盖率低。
• 通过区分不同交互类型（例如，浏览与加入购物车）作为购物意图差异的指标，更准确地建模用户意图。
• 开发一种计算高效的嵌入模型，以捕捉物品-交互共现模式，实现可扩展的候选生成。
• 通过离线指标和在Etsy.com上的在线A/B测试，在真实生产环境中评估该方法。

提出的方法

• 该模型为每个物品-交互对（例如，'物品A被浏览'、'物品B被加入购物车'）学习唯一的嵌入向量，而非为每个物品学习单一嵌入向量。
• 在训练过程中采用负采样策略，通过嵌入空间中的简单内积来优化物品-交互对之间共现的可能性。
• 通过查找与用户最近交互嵌入最接近（基于内积）的物品嵌入来生成候选集，从而实现个性化推荐。
• 该方法通过预测用户可能喜欢的物品及其可能的交互方式（例如，'因为你浏览了它，所以你可能会想加入购物车'），实现了对显式共现的泛化。
• 该方法作为Etsy首页推荐系统中的候选集选择模块进行部署，取代了基于共购的基线方法。
• 在在线A/B测试中采用双模块设计：一个用于浏览过的物品，一个用于已加入购物车的物品，从而提升了可解释性和个性化程度。

实验结果

研究问题

• RQ1 在物品嵌入中建模交互类型（例如，浏览、加入购物车）是否能提升用户推荐候选集的准确性？
• RQ2 与传统的基于共现的方法相比，基于交互的嵌入在离线命中率和在线业务指标上的表现如何？
• RQ3 基于交互的嵌入在多大程度上能够捕捉细微的用户意图，例如区分浏览行为与加入购物车行为？
• RQ4 在生产环境中，将交互类型纳入嵌入是否能带来更具可解释性和可操作性的推荐？

主要发现

• 与对照组相比，'受你浏览内容启发'模块的点击率提升了4.1%。
• 处理组的转化率提高了0.20%，结账率提高了0.31%，表明用户参与度和购买可能性得到提升。
• 离线结果显示，嵌入维度d=100在性能与计算成本之间提供了最佳平衡，而d=25时性能显著下降。
• 与基线相比，该模型在所有嵌入维度下均表现出更高的命中率，且在更高维度下提升最为显著。
• 双模块部署（浏览 vs. 加入购物车）提升了可解释性，并支持基于用户意图的更精准推荐。
• 该模型在离线指标和在线A/B测试中均优于基于共购的基线，验证了其在真实生产环境中的有效性。