[论文解读] Modeling Dynamic Attributes for Next Basket Recommendation

Yongjun Chen, Jia Li+5 more|arXiv (Cornell University)|Sep 23, 2021

Recommender Systems and Techniques参考文献 29被引用 9

一句话总结

该论文提出 AnDa，一种新颖的注意力网络，通过结合动态属性（如变化的用户收入或商品价格）与序列购物篮交互，以提升下一篮子推荐性能。通过使用时间感知、周期性感知的编码器来建模动态属性，并采用购物篮内注意力模块捕捉商品间关系，AnDa 在三个真实世界数据集上显著优于当前最先进方法，Hit Rate 最高提升 21.87%，NDCG 最高提升 43.76%。

ABSTRACT

Traditional approaches to next item and next basket recommendation typically extract users' interests based on their past interactions and associated static contextual information (e.g. a user id or item category). However, extracted interests can be inaccurate and become obsolete. Dynamic attributes, such as user income changes, item price changes (etc.), change over time. Such dynamics can intrinsically reflect the evolution of users' interests. We argue that modeling such dynamic attributes can boost recommendation performance. However, properly integrating them into user interest models is challenging since attribute dynamics can be diverse such as time-interval aware, periodic patterns (etc.), and they represent users' behaviors from different perspectives, which can happen asynchronously with interactions. Besides dynamic attributes, items in each basket contain complex interdependencies which might be beneficial but nontrivial to effectively capture. To address these challenges, we propose a novel Attentive network to model Dynamic attributes (named AnDa). AnDa separately encodes dynamic attributes and basket item sequences. We design a periodic aware encoder to allow the model to capture various temporal patterns from dynamic attributes. To effectively learn useful item relationships, intra-basket attention module is proposed. Experimental results on three real-world datasets demonstrate that our method consistently outperforms the state-of-the-art.

研究动机与目标

• 为解决静态用户与商品属性在捕捉随时间演变的用户兴趣方面的局限性。
• 建模多样化的时间模式（如时间间隔效应与周期性行为），用于收入或会员类型等动态属性。
• 有效学习购物篮内复杂商品依赖关系，超越简单的共现或全局注意力机制。
• 在统一、稳定且表达力强的框架中整合动态属性与购物篮交互，用于下一篮子推荐。
• 证明建模动态属性可带来相对于基于静态属性基线模型的一致性能提升。

提出的方法

• AnDa 采用双编码器架构：一个用于动态属性，一个用于购物篮商品序列，实现独立但协同的学习。
• 时间感知填充与周期性索引嵌入模块用于编码动态属性，以捕捉基于时间间隔与周期性的时间模式。
• 每个购物篮应用购物篮内多头自注意力模块，以建模不同商品子集之间的商品级关系。
• 在时间层面使用多头自注意力机制，动态加权基于相关性与时间新近度的历史购物篮。
• 通过交叉注意力机制将动态属性表示与商品序列表示融合，实现上下文感知的用户兴趣建模。
• 模型采用端到端训练，以序列预测目标进行优化，目标为提升 top-k 推荐性能（HR、NDCG、MAP）。

实验结果

研究问题

• RQ1 与静态属性相比，建模收入或会员类型等动态属性是否能提升下一篮子推荐性能？
• RQ2 动态属性中的不同时间模式（如时间间隔与周期性）如何影响用户购买行为预测？
• RQ3 购物篮内注意力在多大程度上能捕捉复杂商品关系（如共购、功能组）并影响未来购物篮构成？
• RQ4 将动态属性与商品级注意力结合，与仅依赖静态属性或全局商品共现的模型相比，表现如何？
• RQ5 各组件（周期性编码器、购物篮内模块、时间层面注意力）对整体推荐性能的贡献分别是什么？

主要发现

• 与最强基线模型 FDSA+ 相比，AnDa 在 EPR 数据集上的 Hit Rate@5 实现了 21.87% 的相对提升，Ta-Feng 数据集提升 15.06%，SPR 数据集提升 24.53%。
• 与基线相比，AnDa 的 NDCG@5 最高提升 43.76%，其中 SPR 数据集的提升幅度最大（较 FDSA+ 提升 43.76%）。
• SPR 数据集的 MAP 得分提升 24.53%，EPR 数据集提升 21.87%，表明在各类评估指标上均实现一致改进。
• 消融实验表明，移除周期性索引嵌入（AnDa(P)）导致平均得分下降 1.42%，证实其在捕捉季节性模式方面的价值。
• 购物篮内注意力模块贡献显著：移除后（AnDa(B-)) 平均得分下降 1.89%，表明其有效建模了商品间关系。
• 注意力可视化结果表明，模型学习到了有意义的注意力模式：不同头关注不同的商品对（如水果与电子产品），且时间层面注意力在深层中逐渐聚焦于近期商品。