GRAINRec: 用于实时会话式商品推荐的图与注意力融合方法
机器学习
2024-11-15 v1
摘要
利用深度学习技术的会话式推荐模型近期取得了显著性能提升。虽然它们能增强模型复杂度并提高推荐相关性，但也使得实现可扩展的实时解决方案变得困难。为应对这一挑战，我们提出了 GRAINRec：一种融合图与注意力的会话式推荐模型，能够实时生成推荐。我们的工作范围是在线零售中的商品推荐，其中会话被定义为数字访客动作的有序序列，如页面浏览或加入购物车。所提模型通过综合考虑会话中所有商品的重要性来生成推荐，使我们能够随着会话演变动态预测相关推荐。我们还提出了一种启发式方法来实现满足目标平台服务等级协议（SLA）的实时推理。所提架构使我们能够随着会话演变动态预测相关推荐，而非依赖为每个商品预先计算的推荐。所提模型的评估结果显示，在所有离线评估指标上平均提升了 1.5%。为期两周的 A/B 测试显示点击率提升 10%，可归因需求增长 9%。还进行了广泛的消融研究以理解模型在不同参数下的性能。
引用
@article{arxiv.2411.09152,
title = {GRAINRec: Graph and Attention Integrated Approach for Real-Time Session-Based Item Recommendations},
author = {Bhavtosh Rath and Pushkar Chennu and David Relyea and Prathyusha Kanmanth Reddy and Amit Pande},
journal= {arXiv preprint arXiv:2411.09152},
year = {2024}
}
备注
Accepted to the 2024 IEEE International Conference on Big Data (IEEE BigData 2024)