[论文解读] Modeling Personalized Item Frequency Information for Next-basket Recommendation

Haoji Hu, Xiangnan He+2 more|arXiv (Cornell University)|May 31, 2020

Recommender Systems and Techniques参考文献 37被引用 10

一句话总结

本文提出了一种基于k近邻（kNN）的方法TIFU-KNN，通过显式建模个性化物品频率（PIF）来提升下一次购物篮推荐效果。该方法同时捕捉了个体购买频率与协同购买模式，在保持简单结构且无需复杂神经网络架构的前提下，显著优于深度学习基线模型，尤其在PIF信号关键时表现更优。

ABSTRACT

Next-basket recommendation (NBR) is prevalent in e-commerce and retail industry. In this scenario, a user purchases a set of items (a basket) at a time. NBR performs sequential modeling and recommendation based on a sequence of baskets. NBR is in general more complex than the widely studied sequential (session-based) recommendation which recommends the next item based on a sequence of items. Recurrent neural network (RNN) has proved to be very effective for sequential modeling and thus been adapted for NBR. However, we argue that existing RNNs cannot directly capture item frequency information in the recommendation scenario. Through careful analysis of real-world datasets, we find that {\em personalized item frequency} (PIF) information (which records the number of times that each item is purchased by a user) provides two critical signals for NBR. But, this has been largely ignored by existing methods. Even though existing methods such as RNN based methods have strong representation ability, our empirical results show that they fail to learn and capture PIF. As a result, existing methods cannot fully exploit the critical signals contained in PIF. Given this inherent limitation of RNNs, we propose a simple item frequency based k-nearest neighbors (kNN) method to directly utilize these critical signals. We evaluate our method on four public real-world datasets. Despite its relative simplicity, our method frequently outperforms the state-of-the-art NBR methods -- including deep learning based methods using RNNs -- when patterns associated with PIF play an important role in the data.

研究动机与目标

• 识别并利用现有基于RNN的方法所忽略的个性化物品频率（PIF）中两个关键信号：个体购买频率与协同购买模式。
• 诊断尽管具有强大表示能力，RNN为何在推荐场景中无法学习向量加法。
• 提出一种简单但有效的基于kNN的方法，直接捕捉PIF信号，从而提升推荐准确率。
• 在真实世界数据集上评估该方法，并证明其在PIF具有信息量的场景下，优于最先进深度学习模型。

提出的方法

• 该方法TIFU-KNN利用用户历史购物篮生成的用户嵌入，基于物品频率模式计算与其他用户的相似度。
• 引入两级时间衰减加权机制：一级用于组内近期购物篮，二级用于组间，以建模时间动态。
• 最终预测通过可学习权重α结合用户特定信号与协同信号，其中u_t表示个体PIF，u_n表示协同PIF。
• kNN方法直接使用物品频率计数作为特征，避免神经网络训练，从而实现对基于频率模式的显式建模。
• 该方法引入衰减权重机制，优先考虑近期购买与组级别模式，增强对时间动态的敏感性。
• 通过绕过非凸优化问题，避免RNN的训练挑战，转而依赖精确的kNN检索与加权聚合。

实验结果

研究问题

• RQ1 为何现有基于RNN的模型在下一次购物篮推荐中无法捕捉个性化物品频率（PIF）信号？
• RQ2 PIF中有哪些关键模式可提升下一次购物篮预测性能，以及如何有效建模？
• RQ3 当PIF信号在数据中占主导地位时，简单kNN方法能否超越深度学习模型？
• RQ4 时间衰减权重如何影响所提kNN方法在捕捉时间动态方面的性能？
• RQ5 RNN在推荐任务中是否存在无法学习向量加法的根本性限制？若存在，其对性能有何影响？

主要发现

• TIFU-KNN在四个真实世界数据集上优于最先进基于RNN的方法，尤其在PIF模式显著时表现更优。
• 在ValuedShopper数据集上，该方法在同时使用个体与协同信号时，召回率@10达到0.2171，优于单一信号组件。
• 在Instacart数据集上，结合两种信号后，召回率@10达到0.3825，显著优于最佳基线模型。
• 敏感性分析表明，最优超参数（如r_b = 0.9，r_g = 0.9）可实现最高性能，验证了两级衰减加权设计的有效性。
• 消融研究证实，个体PIF（u_t）与协同PIF（u_n）对性能均有独立贡献，二者结合效果最佳。
• 该方法在不同数据集上表现出强鲁棒性，即使在最近邻数（k）与组数（m）变化时，仍能持续优于基线模型。