[论文解读] M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation

Bo Peng, Zhiyun Ren+2 more|arXiv (Cornell University)|Apr 3, 2020

Recommender Systems and Techniques参考文献 26被引用 5

一句话总结

本文提出 M²，一种用于下一次购物篮推荐的混合模型，通过新颖的编码器-解码器框架（ed-Trans）整合用户的普遍偏好、物品的全局流行度以及物品的转移模式。与基于 RNN 的方法不同，M² 更有效地建模了单个物品的转移，相较于在四个基准数据集上最先进的方法，其在下一次购物篮预测任务中性能最高提升 22.1%。

ABSTRACT

Next-basket recommendation considers the problem of recommending a set of items into the next basket that users will purchase as a whole. In this paper, we develop a novel mixed model with preferences, popularities and transitions (M2) for the next-basket recommendation. This method models three important factors in next-basket generation process: 1) users' general preferences, 2) items' global popularities and 3) transition patterns among items. Unlike existing recurrent neural network-based approaches, M2 does not use the complicated networks to model the transitions among items, or generate embeddings for users. Instead, it has a simple encoder-decoder based approach (ed-Trans) to better model the transition patterns among items. We compared M2 with different combinations of the factors with 5 state-of-the-art next-basket recommendation methods on 4 public benchmark datasets in recommending the first, second and third next basket. Our experimental results demonstrate that M2 significantly outperforms the state-of-the-art methods on all the datasets in all the tasks, with an improvement of up to 22.1%. In addition, our ablation study demonstrates that the ed-Trans is more effective than recurrent neural networks in terms of the recommendation performance. We also have a thorough discussion on various experimental protocols and evaluation metrics for next-basket recommendation evaluation.

研究动机与目标

• 解决现有基于 RNN 的下一次购物篮推荐方法因数据稀疏性而对个体物品转移和用户偏好建模效果不佳的问题。
• 开发一个统一框架，显式建模三个关键因素：用户偏好、物品流行度和物品转移模式。
• 评估一种简单高效的编码器-解码器架构（ed-Trans）在建模物品级转移方面相较于复杂 RNN 的有效性。
• 对下一次购物篮推荐的评估协议与指标进行综合分析，主张采用 NDCG 和基于召回率的指标，而非 precision@k。
• 识别各因素之间的互补性及其在提升推荐准确率中的相对重要性。

提出的方法

• M² 集成三个组件：通过协同过滤学习的用户普遍偏好、基于频率的物品全局流行度，以及通过 ed-Trans 建模的物品转移模式。
• ed-Trans 框架采用编码器-解码器架构，用于建模跨购物篮中单个物品之间的序列转移，无需使用 RNN 即可捕捉短期依赖关系。
• 提出三种变体：M²-p²（偏好 + 流行度）、M²-gp²（偏好与流行度的个性化权重）和 M²-gp²t（包含全部三个因素的完整模型）。
• 通过加权融合机制学习各因素的组合权重，其中 M²-gp² 采用个性化权重以适应个体用户行为。
• 采用负采样和随机梯度下降进行端到端训练，优化排序指标如 recall@k 和 NDCG@k。
• 消融研究分离各组件的贡献，且对学习到的物品嵌入进行可视化，证实 ed-Trans 能够捕捉真实转移模式。

实验结果

研究问题

• RQ1 用户偏好、物品流行度与物品转移模式如何共同影响下一次购物篮推荐的性能？
• RQ2 一个简单的编码器-解码器框架（ed-Trans）是否能在建模物品级转移方面超越复杂的基于 RNN 的模型？
• RQ3 各因素（偏好、流行度、转移）对整体推荐准确率的相对贡献如何？
• RQ4 在下一次购物篮推荐任务中，precision@k、recall@k 和 NDCG@k 哪种评估指标最为合适且可靠？
• RQ5 不同的实验协议与数据稀疏度水平如何影响下一次购物篮推荐模型的鲁棒性与泛化能力？

主要发现

• M²-gp²t（完整模型）在结合偏好、流行度与转移模式方面表现最佳，在 NDCG@k 上相较所有 5 种 SOTA 方法最高提升 22.1%，在 recall@5 上最高提升 19.0%。
• ed-Trans 框架显著优于基于 RNN 的转移建模，在基准数据集上 recall@5 最高提升 20.4%。
• 消融研究证实，用户偏好是最关键因素，而转移与流行度则提供互补性提升。
• 从 ed-Trans 学习到的物品嵌入矩阵能有效捕捉真实转移模式，验证了其表征质量。
• precision@k 因非单调性及对购物篮大小的偏差而不可靠，而 recall@k 与 NDCG@k 更具鲁棒性且信息量更丰富。
• 该模型在四种公开数据集（包括零售、美妆与杂货基准）上表现出强大的泛化能力，且在不同数据稀疏度水平下均表现稳健。