跨市场产品推荐

我们研究通过利用来自相似且资源更丰富的辅助市场的数据，向资源相对稀缺市场中的用户推荐相关产品的问题。我们假设一个市场的数据可用于提升另一市场的性能。该领域仅开展了少数研究，部分原因是缺乏公开可用的实验数据。为此，我们收集并发布了 XMarket，一个覆盖 16 个不同产品类别下 18 个本地市场、包含 5250 万条用户-物品交互的大型数据集。我们引入并形式化了跨市场产品推荐（即市场适配）问题。我们探索了受最先进域适配与元学习方法启发的不同市场适配技术，并提出一种名为 FOREC 的用于市场适配的新型神经方法。我们的模型遵循预训练、分叉和微调三步流程，以充分利用来自辅助市场与目标市场的数据。我们进行了广泛实验，研究市场适配对不同市场对的影响。我们提出的方法展现出稳健的有效性，与为我们分析所选的竞争性基线相比，在目标市场上的性能得到持续提升。特别地，相较于 NMF 基线，FOREC 在 nDCG@10 指标上平均提升 24%，最高达 50%。我们的分析与实验指出了该研究领域具体的未来方向。我们发布数据与代码以供学术使用。