电商中基于会话的推荐深度学习方法的综合实证评估

一旦用户在短时间内找到更多符合其兴趣的匹配商品，电商服务的销售提升便得以保障。因此，推荐系统已成为任何成功电商服务的关键组成部分。尽管电商中可使用多种推荐技术，近年来基于会话的推荐系统已引起相当多的关注。这一日益增长的兴趣源于收集个性化用户行为数据的安全顾虑，尤其在近期通用数据保护法规出台之后。本文中，我们对基于会话的推荐中所用的先进深度学习方法进行综合评估。在基于会话的推荐中，推荐系统依赖同一会话内用户的行为序列来预测并推荐更可能与其偏好相关的其他商品。我们广泛的实验考察了基线技术（例如近邻和模式挖掘算法）以及深度学习方法（例如循环神经网络、图神经网络和基于注意力的网络）。我们的评估表明，先进的基于神经网络的模型和基于会话的近邻算法在大多数场景下优于基线技术。然而，我们发现当会话较长且存在用户兴趣漂移、以及训练时数据不足以正确建模不同商品时，这些模型表现更差。我们的研究表明，依据数据集特征将不同方法的混合模型与基线算法结合，可在基于会话的推荐中带来实质性结果。我们还讨论了当前基于会话的推荐算法的缺陷及该领域进一步的开放研究方向。