在物品稀缺的保险领域从用户行为中学习推荐
信息检索
2022-11-29 v1
摘要
尽管个性化推荐在零售等拥有大量用户对物品反馈数据的领域取得了成功，但在保险购买等数据稀疏的领域，自动生成推荐仍是一个未解决的问题。保险领域的数据稀疏是众所周知的，因为产品数量通常较少（与零售相比），且购买后通常持续很长时间。此外，许多用户仍然偏好通过电话而非网络购买产品，这减少了网络记录的用户交互量。为了解决这个问题，我们提出了一种循环神经网络推荐模型，该模型利用过去的用户会话作为学习推荐的信号。从过去的用户会话中学习能够应对保险领域的数据稀缺性。具体而言，我们的模型从多种类型的用户行为中学习，这些行为并不总是与物品相关联，并且与所有先前的基于会话的推荐模型不同，它建模了输入会话与目标行为（购买保险）之间的关系，而该目标行为并不发生在输入会话之内。在一个来自保险领域的真实数据集（约44K用户、16个物品、54K次购买和117K个会话）上，针对多个最先进的基线模型进行评估，结果表明我们的模型显著优于基线模型。消融分析表明，这主要归功于我们的模型对跨会话依赖关系的学习。我们贡献了首个用于保险推荐的基于会话的模型，并将我们的数据集提供给研究社区。
引用
@article{arxiv.2211.15360,
title = {Learning Recommendations from User Actions in the Item-poor Insurance Domain},
author = {Simone Borg Bruun and Maria Maistro and Christina Lioma},
journal= {arXiv preprint arXiv:2211.15360},
year = {2022}
}