超越电影推荐：解决电子商务推荐中的持续冷启动问题
信息检索
2016-07-28 v1
摘要
许多电子商务网站使用推荐系统或个性化排序器，根据用户之前的交互来个性化搜索结果。然而，很大一部分用户没有 prior 交互，使得无法使用协同过滤或依赖用户历史进行个性化。即使是最活跃的用户也可能一年只访问几次，并且可能有易变的需求或不同的角色，使得他们的个人历史充其量只是稀疏且有噪声的信号。本文研究了当无法依赖用户历史时，其他用户交互的大规模可用性是否仍允许我们从上下文数据构建有意义的画像，以及此类上下文画像是否有助于定制排序，以主要在线旅行社 Booking.com 的数据为例。我们的主要发现有三点：首先，我们从典型电子商务应用的角度刻画了持续冷启动问题 (CoCoS)。其次，由于典型现实世界应用中缺乏显式情境上下文，大规模使用的事务日志中的隐式线索可以捕捉情境上下文的基本特征。第三，上下文用户画像可以离线创建， resulting in 一组比单个巨大的非上下文模型更小的模型，使得上下文排序可用的 CPU 和内存占用可忽略不计。最后，我们得出结论，在对实时用户的在线 A/B 测试中，我们的上下文排序器相比非上下文基线显著增加了用户参与度，点击率 (CTR) 提高了 20%。这清楚地证明了上下文用户画像在现实世界应用中的价值。
引用
@article{arxiv.1607.07904,
title = {Beyond Movie Recommendations: Solving the Continuous Cold Start Problem in E-commerceRecommendations},
author = {Julia Kiseleva and Alexander Tuzhilin and Jaap Kamps and Melanie J. I. Mueller and Lucas Bernardi and Chad Davis and Ivan Kovacek and Mats Stafseng Einarsen and Djoerd Hiemstra},
journal= {arXiv preprint arXiv:1607.07904},
year = {2016}
}