Bert4XMR：基于 Transformer 双向编码器表示的跨市场推荐
信息检索
2024-08-28 v2
摘要
现实中的跨国电子商务公司，如 Amazon 和 eBay，在多个国家和地区提供服务。一些市场数据稀缺，而另一些市场数据丰富。近年来，跨市场推荐（XMR）被提出，旨在通过利用数据丰富市场的辅助信息来增强数据稀缺市场。以往的 XMR 算法采用了共享底层或引入市场间相似性等技术来优化 XMR 性能。然而，现有方法存在两个关键局限：（1）它们忽略了数据丰富市场所提供的物品共现；（2）它们未能充分解决由不同市场差异引起的负迁移问题。为解决这些局限，我们提出了一种称为 Bert4XMR 的基于会话的新模型，能够跨市场建模物品共现并缓解负迁移。具体而言，我们采用预训练与微调范式促进跨市场知识迁移。预训练在全局市场上进行以学习物品共现，而微调在目标市场中进行以实现模型定制。为缓解潜在的负迁移，我们将物品表示分离为市场嵌入和物品嵌入。市场嵌入建模与不同市场相关的偏置，而物品嵌入学习通用物品表示。在七个真实世界数据集上进行的广泛实验表明了我们的模型的有效性。在四个指标上，它平均优于次优模型 、、 和 。通过消融研究，我们从实验上证明市场嵌入方法有助于防止负迁移，尤其在数据稀缺市场中。我们的实现可在 https://github.com/laowangzi/Bert4XMR 获取。
引用
@article{arxiv.2305.15145,
title = {Bert4XMR: Cross-Market Recommendation with Bidirectional Encoder Representations from Transformer},
author = {Zheng Hu and Satoshi Nakagawa and Shi-Min Cai and Fuji Ren},
journal= {arXiv preprint arXiv:2305.15145},
year = {2024}
}