面向产品推荐的对抗学习
信息检索
2020-09-02 v2 机器学习
摘要
产品推荐可被视为数据融合问题——估计个体、其行为与感兴趣的商品或服务之间的联合分布。本工作提出了一种条件耦合生成对抗网络 (RecommenderGAN)，其学习从极度稀疏的隐式反馈训练数据中（浏览、购买）行为之间的联合分布生成样本。用户交互由具有二值元素的两个矩阵表示。在每个矩阵中，非零值分别指示用户是否在给定产品类别中浏览或购买了特定物品。通过以这种方式编码动作，该模型能够表示完整的、大规模的产品目录。在训练好的GAN输出样本上计算的转化率统计范围从1.323%到1.763%。与零假设检验结果相比，这些统计被发现具有显著性。结果显示与跨许多行业与产品类型聚合的已发布转化率相当。我们的结果是初步的，然而它们表明该模型产生的推荐可能为消费者与数字零售商提供效用。
引用
@article{arxiv.2007.07269,
title = {Adversarial learning for product recommendation},
author = {Joel R. Bock and Akhilesh Maewal},
journal= {arXiv preprint arXiv:2007.07269},
year = {2020}
}