ARGO：电子商务推荐中的异质性建模
信息检索
2021-09-23 v2
摘要
如今，电子商务日益融入我们的日常生活。同时，购物过程也从单一行为（购买）逐步演变为多种行为（如浏览、加购和购买）。因此，利用辅助行为数据的交互数据在电子商务推荐系统中备受关注。然而，所有现有模型都忽略了两类有助于捕捉用户偏好差异与商品属性差异的内在异质性。第一（内部异质性）：每个用户具有多个彼此相异的社会身份，这些不同身份会导致相当不同的交互偏好。第二（外部异质性）：由于多种行为间存在渐进关系，每个商品可将特定于商品的一部分分数从低层行为转移到高层行为。因此，缺乏对这类异质性的考量损害了推荐排序性能。为建模上述异质性，我们提出一种名为内部与外部异质性推荐模型（ARGO）的新方法。具体而言，我们将每个用户嵌入为表示其身份的多个向量，并以身份分数最大值指示交互偏好。此外，我们将特定于商品的转移比例视为不同行为间可训练的转移概率。在两个真实世界数据集上的大量实验表明，ARGO 在多行为场景中远优于最先进的方法。
引用
@article{arxiv.2109.05789,
title = {ARGO: Modeling Heterogeneity in E-commerce Recommendation},
author = {Daqing Wu and Xiao Luo and Zeyu Ma and Chong Chen and Minghua Deng and Jinwen Ma},
journal= {arXiv preprint arXiv:2109.05789},
year = {2021}
}
备注
Accepted by IEEE International Joint Conference on Neural Networks (IJCNN) 2021. arXiv admin note: text overlap with arXiv:2105.11876