基于共作图（Co-Action Graph）的序列多兴趣推荐：CoActionGraphRec 模型
信息检索
2024-10-16 v1 人工智能
机器学习
摘要
针对如 eBay 这样的电商平台开发物品推荐系统存在数据稀疏和用户兴趣多样化等独特挑战。虽然丰富的用户-物品交互很重要，但 eBay 的数据稀疏度远超其他电商网站一个数量级。为解决此挑战，我们提出了 CoActionGraphRec（CAGR），一种基于共作图层的文本驱动双塔深度学习模型（物品塔和用户塔）。为增强用户和物品表示，利用针对 eBay 环境的图基解决方案。对于物品塔，我们使用其共作物品表示每个物品，以捕捉共作图中的协作信号，该图通过图神经网络组件充分利用。对于用户塔，我们构建其行为序列的完全连接图，边缘编码两两关系。此外，显式交互模块学习捕捉行为交互的表示。大量离线和在线 A/B 测试实验表明，我们提出的方法有效果，结果在关键指标上优于最先进的方法。
引用
@article{arxiv.2410.11464,
title = {CoActionGraphRec: Sequential Multi-Interest Recommendations Using Co-Action Graphs},
author = {Yi Sun and Yuri M. Brovman},
journal= {arXiv preprint arXiv:2410.11464},
year = {2024}
}