[论文解读] Learning Recommender Systems from Multi-Behavior Data.

Chen Gao, Xiangnan He+6 more|arXiv (Cornell University)|Sep 21, 2018

Recommender Systems and Techniques参考文献 38被引用 5

一句话总结

本文提出NMTR，一种神经多任务推荐模型，通过建模点击、浏览和购买等多类用户行为之间的级联依赖关系，联合学习多种用户行为。通过多任务学习同时优化所有行为，NMTR 显著提升了推荐质量，尤其在用户交互历史稀疏的情况下表现优异，在真实世界数据集上超越了当前最先进方法。

ABSTRACT

Most existing recommender systems leverage user behavior data of one type only, such as the purchase behavior in E-commerce that is directly related to the business KPI (Key Performance Indicator) of conversion rate. Besides the key behavioral data, we argue that other forms of user behaviors also provide valuable signal, such as views, clicks, adding a product to shop carts and so on. They should be taken into account properly to provide quality recommendation for users. In this work, we contribute a new solution named NMTR (short for Neural Multi-Task Recommendation) for learning recommender systems from user multi-behavior data. We develop a neural network model to capture the complicated and multi-type interactions between users and items. In particular, our model accounts for the cascading relationship among different types of behaviors (e.g., a user must click on a product before purchasing it). To fully exploit the signal in the data of multiple types of behaviors, we perform a joint optimization based on the multi-task learning framework, where the optimization on a behavior is treated as a task. Extensive experiments on two real-world datasets demonstrate that NMTR significantly outperforms state-of-the-art recommender systems that are designed to learn from both single-behavior data and multi-behavior data. Further analysis shows that modeling multiple behaviors is particularly useful for providing recommendation for sparse users that have very few interactions.

研究动机与目标

• 解决现有推荐系统仅依赖单一类型用户行为（如购买）的局限性。
• 探索点击、浏览和加入购物车等多类用户行为如何提供互补信号，以提升推荐质量。
• 在统一框架中建模行为之间的固有级联关系（例如，点击先于购买）。
• 通过利用更丰富的行为信号，提升交互历史稀疏用户的推荐性能。
• 设计一种联合优化框架，利用多任务学习同时从多种行为数据类型中学习。

提出的方法

• 设计一种神经网络架构，以捕捉用户与物品在多种行为类型下的复杂多类型交互。
• 采用结构化序列感知设计，建模行为之间的级联依赖关系（例如，浏览 → 点击 → 加入购物车 → 购买）。
• 将每种行为类型视为多任务学习框架中相互关联的独立任务，以实现联合优化。
• 通过任务间共享表征来提升泛化能力，同时允许任务特定的自适应以捕捉行为特异性模式。
• 采用端到端训练，使用统一损失函数整合所有行为类型的监督信号。
• 引入注意力机制或序列建模组件，以加权先前行为对预测下游行为的重要性。

实验结果

研究问题

• RQ1 与仅基于单一行为的基线方法相比，联合建模多种用户行为是否能提升推荐性能？
• RQ2 建模行为之间的级联关系如何影响推荐的准确性和鲁棒性？
• RQ3 多行为学习在多大程度上能增强交互历史有限用户的推荐效果？
• RQ4 NMTR中的多任务学习框架是否相比单任务或启发式多行为方法，能带来更好的泛化能力和表征学习？
• RQ5 在联合学习设置下，不同行为信号（如浏览与购买）如何共同影响最终的推荐质量？

主要发现

• NMTR 显著优于仅在单一行为或多种行为数据上训练的当前最先进推荐系统。
• 该模型在密集和稀疏用户交互场景下均表现优异，尤其在交互较少的用户中取得显著提升。
• 建模行为的级联特性有助于提升表征学习质量，并在所有行为类型上提高预测准确性。
• 多任务学习框架实现了行为类型间的有效知识迁移，增强了整体系统的鲁棒性。
• 对多种行为进行联合优化，相比为每种行为单独训练模型，能产生更稳定且泛化能力更强的推荐结果。
• 在两个真实世界数据集上的实证结果表明，NMTR 持续提升了关键推荐指标，如精确率、召回率和NDCG。