G-STO：基于图正则化随机Transformer的序列主购物意图检测
信息检索
2023-06-27 v1 人工智能
机器学习
摘要
序列推荐需要从用户的历史交互中理解其行为、上下文与偏好的动态模式。现有大多数工作仅从物品层面建模用户-物品交互，忽略了这些交互是由潜在购物意图（如圆珠笔、微缩模型等）驱动的。基于用户历史交互检测其潜在购物意图，对于亚马逊等电商平台提升客户购物体验的便捷性与效率至关重要。尽管意义重大，主购物意图检测领域在学术文献中仍缺乏充分研究。为填补这一空白，我们提出一种图正则化随机Transformer方法G-STO。我们将意图视为产品集合、用户偏好视为意图的组合，在潜在表示空间中将二者均建模为随机高斯嵌入。我们并非从头训练随机表示，而是构建全局意图关系图作为正则化先验知识，使相关购物意图在分布上接近。最后，我们将新正则化的随机嵌入输入基于Transformer的模型，以编码意图转移中的序列信息。我们在三个不同的真实数据集上评估主购物意图识别模型，G-STO在Hit@1、Hit@10和NDCG@10上平均分别比基线显著高出18.08%、7.01%和6.11%。
引用
@article{arxiv.2306.14314,
title = {G-STO: Sequential Main Shopping Intention Detection via Graph-Regularized Stochastic Transformer},
author = {Yuchen Zhuang and Xin Shen and Yan Zhao and Chaosheng Dong and Ming Wang and Jin Li and Chao Zhang},
journal= {arXiv preprint arXiv:2306.14314},
year = {2023}
}