GNN-GMVO：用于优化相似商品推荐中商品交易总额的图神经网络
信息检索
2023-10-30 v1 机器学习
摘要
相似商品推荐是电子商务行业中的一项关键任务，它帮助客户基于其感兴趣的商品探索相似且相关的替代品。尽管传统的机器学习模型不同，图神经网络（GNNs）在设计上能够理解诸如商品间相似性之类的复杂关系。然而，与它们在检索任务中的广泛使用以及对相关性优化的关注相比，当前的 GNN 架构并非专为最大化诸如商品交易总额（GMV）等与收入相关的目标而定制，而 GMV 是电子商务公司的主要业务指标之一。此外，由于商品-商品关系的异构性，在大规模电子商务系统中定义准确的边关系并非易事。本工作旨在通过设计一种称为 GNN-GMVO（图神经网络-商品交易总额优化器）的新 GNN 架构来解决这些问题。该模型在考虑商品间复杂关系的同时直接优化 GMV。此外，我们提出了一种定制的边构建方法，使模型适应相似商品推荐任务，并缓解噪声大且复杂的商品-商品关系。我们在三个真实世界数据集上的综合实验表明，与选定的最先进基准模型相比，我们的模型推荐的排名靠前商品具有更高的预测性能和预期 GMV。
引用
@article{arxiv.2310.17732,
title = {GNN-GMVO: Graph Neural Networks for Optimizing Gross Merchandise Value in Similar Item Recommendation},
author = {Ramin Giahi and Reza Yousefi Maragheh and Nima Farrokhsiar and Jianpeng Xu and Jason Cho and Evren Korpeoglu and Sushant Kumar and Kannan Achan},
journal= {arXiv preprint arXiv:2310.17732},
year = {2023}
}
备注
9 pages, 3 figures, 43 citations