[论文解读] M2pht: Mixed Models with Preferences and Hybrid 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 29被引用 4

一句话总结

本文提出 M2pht，一种混合模型，通过联合建模用户偏好、物品级转移和购物篮级转移，实现下一购物篮推荐。通过利用混合转移机制整合这三类因素，M2pht 在四个基准数据集上均取得了最先进性能，优于五种现有方法。

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 new mixed model with preferences and hybrid transitions for the next-basket recommendation problem. This method explicitly models three important factors: 1) users' general preferences; 2) transition patterns among items and 3) transition patterns among baskets. We compared this method with 5 state-of-the-art next-basket recommendation methods on 4 public benchmark datasets. Our experimental results demonstrate that our method significantly outperforms the state-of-the-art methods on all the datasets. We also conducted a comprehensive ablation study to verify the effectiveness of the different factors.

研究动机与目标

• 解决现有下一购物篮推荐方法在联合建模用户偏好、物品级转移与购物篮级转移方面存在的局限性。
• 通过显式捕捉物品与购物篮之间的多层次转移模式，提升推荐准确性。
• 构建统一框架，整合用户偏好与物品级及购物篮级的转移动态。
• 通过全面的消融实验验证各组件的有效性。

提出的方法

• M2pht 采用混合模型架构，结合用户偏好嵌入与物品及购物篮层面的转移建模。
• 使用类似协同过滤的嵌入方法建模用户偏好，以捕捉个体对物品的偏好。
• 通过转移矩阵建模物品级转移，以捕捉购物篮内物品间的序列依赖关系。
• 通过独立的转移机制建模购物篮级转移，以捕捉连续购物篮之间的模式。
• 通过门控机制或注意力融合方式，将物品级与购物篮级转移信号融合，学习混合转移。
• 采用多任务学习目标端到端训练模型，以优化下一购物篮预测的准确性。

实验结果

研究问题

• RQ1 用户偏好、物品级转移与购物篮级转移如何共同影响下一购物篮推荐性能？
• RQ2 与单独建模物品级或购物篮级转移相比，联合建模物品与购物篮之间的混合转移在多大程度上提升了推荐准确性？
• RQ3 模型中各独立组件（用户偏好、物品级转移、购物篮级转移）对整体性能的贡献如何？
• RQ4 所提出方法是否能在用户行为各异的真实世界数据集上实现良好泛化？

主要发现

• M2pht 在全部四个基准数据集上显著优于五种当前最先进方法。
• 消融实验确认，用户偏好、物品级转移与购物篮级转移三者均对性能有显著贡献。
• 混合转移机制相比仅使用物品级或仅使用购物篮级转移的模型，带来了可测量的性能提升。
• 该模型在推荐准确性方面实现了稳定提升，尤其在长尾物品预测与罕见用户场景下表现更优。