[论文解读] Session-based Complementary Fashion Recommendations

Jui-Chieh Wu, José Antonio Sánchez Rodríguez+1 more|arXiv (Cornell University)|Aug 22, 2019

Recommender Systems and Techniques参考文献 14被引用 5

一句话总结

该论文提出 ZSF-c，一种用于互补时尚商品的基于会话的神经推荐模型，通过利用用户会话数据、订单事件、类别嵌入和图像嵌入，在协同过滤（CF-c）的基础上实现改进。其在离线评估中实现 Orders Recall@5 提升 8.2%，在线测试中购买商品数量提升 3.24%，在真实电商环境中展现出更优的个性化与相关性。

ABSTRACT

In modern fashion e-commerce platforms, where customers can browse thousands to millions of products, recommender systems are useful tools to navigate and narrow down the vast assortment. In this scenario, complementary recommendations serve the user need to find items that can be worn together. In this paper, we present a personalized, session-based complementary item recommendation algorithm, ZSF-c, tailored for the fashion usecase. We propose a sampling strategy adopted to build the training set, which is useful when existing user interaction data cannot be directly used due to poor quality or availability. Our proposed approach shows significant improvements in terms of accuracy compared to the collaborative filtering approach, serving complementary item recommendations to our customers at the time of the experiments CF-c. The results show an offline relative uplift of +8.2% in Orders Recall@5, as well as a significant +3.24% increase in the number of purchased products measured in an online A/B test carried out in a fashion e-commerce platform with 28 million active customers.

研究动机与目标

• 为解决现有基于协同过滤的互补时尚推荐方法存在的覆盖率低、相关性差的问题，这些问题源于对静态相似度的依赖以及数据稀疏性。
• 开发一种个性化、基于会话的推荐系统，以捕捉用户对互补时尚商品的短期与长期偏好。
• 通过建模用户交互序列并结合丰富嵌入与定制采样策略，提升推荐准确率与用户参与度。
• 通过在拥有 2800 万用户的大型电商平台上进行严格的离线评估与在线 A/B 测试，验证模型性能。

提出的方法

• 采用基于 STAMP（短时注意力优先模型）的会话推荐框架，针对时尚互补商品预测进行适配。
• 提出一种新颖的数据采样策略，从用户交互日志中构建训练序列，实现对用户偏好的有效建模，而无需依赖低质量或不可用的购买数据。
• 通过引入订单事件、类别嵌入与图像嵌入，增强基础 STAMP 模型，以提升对互补关系的表征学习能力。
• 针对生产环境中对训练时间与推理速度的严格约束，优化模型以实现低延迟推理与实时服务。
• 结合召回率与基于订单的指标（如 Orders Recall@5）进行离线评估，并通过 A/B 测试验证在线性能。
• 应用 ExPan（一款开源统计分析库），确保在线 A/B 测试结果的可靠性，采用完整周周期部署以避免工作日与周末偏差。

实验结果

研究问题

• RQ1 基于会话的神经模型是否能在互补时尚商品推荐中超越传统协同过滤方法？
• RQ2 引入订单事件、类别与图像嵌入如何提升基于会话的互补时尚商品推荐性能？
• RQ3 所提出的采样策略在多大程度上缓解了真实电商数据集中数据质量与可用性问题？
• RQ4 改进后的模型是否在离线指标与真实在线参与度及转化率方面均带来可衡量的提升？

主要发现

• 与基线模型 CF-c 相比，ZSF-c 在 Orders Recall@5 上实现离线相对提升 +8.2%，表明其与用户购买意图的对齐程度更强。
• 在线 A/B 测试中，该模型使购买商品数量相对提升 +3.24%，证明其具备显著的业务影响。
• 消融实验证实，每一项模型增强（订单事件、类别嵌入、图像嵌入）均对性能有增量贡献，其中图像嵌入带来的增益最大。
• 在线结果中，点击率（CTR）相对提升 +6.23%，表明用户对推荐内容的参与度更高。
• 离线与在线的 Order Recall 指标相关性高于 CTR，验证了 Order Recall 作为真实世界性能可靠代理指标的有效性。
• 该模型成功捕捉了用户在会话层面的短期偏好与长期行为模式，显著提升了个性化与推荐相关性。