[论文解读] Price-aware Recommendation with Graph Convolutional Networks

Yu Zheng, Chen Gao+3 more|arXiv (Cornell University)|Mar 9, 2020

Recommender Systems and Techniques参考文献 44被引用 6

一句话总结

本文提出PUP（Price-aware User Preference-modeling），一种基于图卷积网络（GCN）的方法，通过价格与品类感知嵌入来建模用户偏好。通过构建用户、商品、价格和品类的异构图，PUP通过商品将价格影响传播至用户，从而学习价格感知的用户表征，显著提升推荐准确率，尤其在未探索品类中的冷启动商品上表现突出。

ABSTRACT

In recent years, much research effort on recommendation has been devoted to mining user behaviors, i.e., collaborative filtering, along with the general information which describes users or items, e.g., textual attributes, categorical demographics, product images, and so on. Price, an important factor in marketing --- which determines whether a user will make the final purchase decision on an item --- surprisingly, has received relatively little scrutiny. In this work, we aim at developing an effective method to predict user purchase intention with the focus on the price factor in recommender systems. The main difficulties are two-fold: 1) the preference and sensitivity of a user on item price are unknown, which are only implicitly reflected in the items that the user has purchased, and 2) how the item price affects a user's intention depends largely on the product category, that is, the perception and affordability of a user on item price could vary significantly across categories. Towards the first difficulty, we propose to model the transitive relationship between user-to-item and item-to-price, taking the inspiration from the recently developed Graph Convolution Networks (GCN). The key idea is to propagate the influence of price on users with items as the bridge, so as to make the learned user representations be price-aware. For the second difficulty, we further integrate item categories into the propagation progress and model the possible pairwise interactions for predicting user-item interactions. We conduct extensive experiments on two real-world datasets, demonstrating the effectiveness of our GCN-based method in learning the price-aware preference of users. Further analysis reveals that modeling the price awareness is particularly useful for predicting user preference on items of unexplored categories.

研究动机与目标

• 解决从购买历史中推断用户隐式价格敏感度的挑战，因为价格偏好并未被显式说明。
• 建模价格对用户购买决策的品类依赖性影响，认识到不同品类的可负担性存在差异。
• 构建一个统一框架，将价格作为协同过滤中的首要因素，而非仅作为标准特征处理。
• 通过利用价格感知表征，提升在未探索或冷启动品类中商品的推荐性能。
• 利用图神经网络实现用户、商品、价格和品类嵌入的端到端学习，以捕捉复杂交互关系。

提出的方法

• 构建一个包含四种节点类型的异构图：用户、商品、价格（离散化）和品类，通过用户-商品、商品-价格和商品-品类边进行连接。
• 应用图卷积网络（GCN）通过商品将价格节点的嵌入传播至用户节点，实现对价格影响用户偏好的间接建模。
• 引入双分支GCN架构，分别建模价格对用户行为的全局（价格感知）和局部（品类依赖）影响。
• 在消息传递机制中整合品类信息，确保价格感知根据产品品类进行上下文调整。
• 使用基于成对交互的解码器，对用户、商品、价格和品类之间的交互进行建模，以最终预测用户-商品交互。
• 使用可微分损失函数端到端训练整个模型，以优化用户消费预测目标。

实验结果

研究问题

• RQ1 图卷积网络能否有效建模从购买历史中推断出的隐式用户价格敏感度？
• RQ2 整合品类信息在用户偏好建模中如何改善价格感知的准确性？
• RQ3 价格感知表征学习在多大程度上提升了推荐性能，尤其是在冷启动商品上？
• RQ4 当价格被视为关键决策因素时，所提方法是否能超越标准协同过滤和基于特征的模型（如FM）？
• RQ5 该模型捕捉价格感知偏好的能力是否能缓解新商品或未探索品类中的冷启动问题？

主要发现

• 在两个真实世界数据集上，PUP在AUC和precision@K指标上显著优于基线模型，包括FM和基于GCN的基线模型。
• 模型在冷启动商品上表现最佳，证明价格感知表征有助于泛化到未见品类。
• 消融实验确认，品类感知传播机制与双分支GCN设计对最优性能均至关重要。
• 通过GCN传播实现的离散化、可学习价格嵌入，相比将价格视为原始或分箱特征，能更准确地建模用户偏好。
• 模型捕捉到有意义的价格敏感度模式：用户更可能受到与其历史消费行为一致的价格影响。
• 该方法可轻松扩展至其他特征：用户画像和商品属性可作为图中额外的节点类型轻松添加。