[论文解读] Personalizing Similar Product Recommendations in Fashion E-commerce

Pankaj Agarwal, Sreekanth Vempati+1 more|arXiv (Cornell University)|Jun 29, 2018

Recommender Systems and Techniques参考文献 15被引用 12

一句话总结

本文提出一种混合方法，通过结合物品-物品协同过滤与基于矩阵分解的用户级偏好建模，实现时尚电商中相似商品推荐的个性化。该方法通过非个性化相似度分数与用户特定嵌入的加权融合，在大规模 Myntra 数据集（隐式反馈）上验证，使平均平均精度（MAP@15）相比非个性化基线提升 8.5%。

ABSTRACT

In fashion e-commerce platforms, product discovery is one of the key components of a good user experience. There are numerous ways using which people find the products they desire. Similar product recommendations is one of the popular modes using which users find products that resonate with their intent. Generally these recommendations are not personalized to a specific user. Traditionally, collaborative filtering based approaches have been popular in the literature for recommending non-personalized products given a query product. Also, there has been focus on personalizing the product listing for a given user. In this paper, we marry these approaches so that users will be recommended with personalized similar products. Our experimental results on a large fashion e-commerce platform (Myntra) show that we can improve the key metrics by applying personalization on similar product recommendations.

研究动机与目标

• 解决时尚电商中非个性化相似商品推荐的局限性，即忽略用户特定品味的问题。
• 通过产品属性无法明确表达偏好的用户，提升其产品发现能力。
• 在不依赖显式评分的情况下，将用户级个性化整合到相似商品推荐流程中。
• 通过结合非个性化相似度分数与从隐式点击流数据中提取的用户偏好信号，优化排序效果。
• 在大规模时尚电商平台（Myntra）的真实世界指标上验证该方法的有效性。

提出的方法

• 候选生成阶段使用物品-物品协同过滤，基于学习到的产品嵌入的余弦相似度，为每个查询识别前 100 个相似商品。
• 用户偏好建模采用 BPR-矩阵分解，基于隐式反馈（点击、加入购物车、购买）学习用户特定嵌入。
• 最终排序分数由非个性化相似度分数与用户偏好分数的线性组合构成，可学习超参数 α 平衡两者。
• 隐式反馈通过网格搜索加权，以确定最优信号重要性：分别为 list_views、clicks、add_to_carts 和 orders 的权重 (0.25, 1, 1, 1)。
• BPR-MF 的置信度参数经过调优以最大化 MAP@15，最终模型选择 BPR-MF 而非 ALS-MF，因其性能更优。
• 采用 map-reduce 框架以实现大规模 Myntra 数据集上稀疏用户-物品交互的可扩展训练。

实验结果

研究问题

• RQ1 当用户缺乏明确意图或无法表达偏好时，用户级个性化能否提升时尚电商中相似商品推荐的相关性？
• RQ2 在隐式反馈数据上，结合非个性化物品相似度与用户特定偏好建模对排序性能有何影响？
• RQ3 在时尚商品的混合推荐模型中，物品-物品相似度与用户偏好分数的最佳平衡点是什么？
• RQ4 隐式反馈信号权重（如点击与购买）的变化如何影响以 MAP@15 衡量的最终推荐质量？
• RQ5 所提出方法在真实世界时尚电商平台上是否优于非个性化基线，在关键检索指标上表现更优？

主要发现

• 所提出的混合模型相比非个性化物品-物品协同过滤，将 MAP@15 提升 8.5%。
• 相似度与用户偏好分数的最佳平衡点为相似度权重 80%、用户偏好权重 20%（即 α = 0.2）。
• 表现最佳的信号加权配置为 list_views、clicks、add_to_carts 和 orders 的权重分别为 (0.25, 1, 1, 1)，对应 MAP@15 达 0.0437。
• 事件频率被发现会降低性能，因此未纳入最终模型。
• BPR-MF 在 MAP@15 上优于 ALS-MF，尤其在置信度参数调优后表现更优。
• 该方法在所有测试的时尚品类中均表现出一致的性能提升，且在不同超参数下结果稳定。