面向杂货购物中下一新颖购物篮推荐的掩码与交换序列建模
信息检索
2023-08-03 v1 机器学习
摘要
下一购物篮推荐(NBR)是基于已购购物篮序列预测下一组商品的任务。这是一项被广泛研究的推荐任务，尤其在杂货购物场景中。在NBR中，区分重复商品(即用户曾消费过的商品)与探索商品(即用户未曾消费过的商品)是有用的。多数NBR工作要么忽略此区分，要么聚焦于重复商品。我们形式化了下一新颖购物篮推荐(NNBR)任务，即仅由新颖商品组成购物篮的推荐任务，这对实际应用与NBR评估均有价值。我们评估了现有NBR方法在NNBR任务上的表现，发现迄今为止NNBR任务进展有限。为应对NNBR任务，我们提出了一种简单的双向Transformer购物篮推荐模型(BTBR)，其侧重于直接建模购物篮内及跨购物篮的商品-商品关联，而非学习复杂购物篮表示。为恰当训练BTBR，我们提出并研究了若干掩码策略与训练目标：(i)商品级随机掩码，(ii)商品级选择掩码，(iii)购物篮级全掩码，(iv)购物篮级探索掩码，以及(v)联合掩码。此外，提出一种商品-购物篮交换策略以丰富同一购物篮内的商品交互。我们在三个具有不同特征的开放数据集上进行了广泛实验。结果证明了BTBR及我们的掩码与交换策略在NNBR任务上的有效性。采用恰当选择的掩码与交换策略的BTBR可大幅改善NNBR性能。
引用
@article{arxiv.2308.01308,
title = {Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping},
author = {Ming Li and Mozhdeh Ariannezhad and Andrew Yates and Maarten de Rijke},
journal= {arXiv preprint arXiv:2308.01308},
year = {2023}
}
备注
To appear at RecSys'23