为下一篮子推荐建模个性化物品频率信息
信息检索
2020-06-02 v1 机器学习
摘要
下一篮子推荐(NBR)在电子商务与零售行业中十分普遍。在该场景中,用户一次购买一组物品(一个篮子)。NBR 基于一系列篮子进行序列建模与推荐。NBR 通常比被广泛研究的序列(基于会话)推荐更为复杂,后者基于物品序列推荐下一个物品。循环神经网络(RNN)已被证明对序列建模非常有效,因而被改造用于 NBR。然而,我们认为现有 RNN 无法直接捕捉推荐场景中的物品频率信息。通过对真实世界数据集的仔细分析,我们发现个性化物品频率(PIF)信息(记录每个物品被某用户购买的次数)为 NBR 提供了两个关键信号。但这在很大程度上被现有方法所忽略。尽管现有方法(如基于 RNN 的方法)具有强大的表示能力,我们的实证结果表明它们未能学习并捕捉 PIF。因此,现有方法无法充分利用 PIF 中包含的关键信号。鉴于 RNN 的这一固有局限,我们提出了一种简单的基于物品频率的 k-近邻(kNN)方法,以直接利用这些关键信号。我们在四个公开真实世界数据集上评估了我们的方法。尽管相对简单,当与 PIF 相关的模式在数据中起重要作用时,我们的方法经常优于最先进的 NBR 方法——包括使用 RNN 的基于深度学习的方法。
引用
@article{arxiv.2006.00556,
title = {Modeling Personalized Item Frequency Information for Next-basket Recommendation},
author = {Haoji Hu and Xiangnan He and Jinyang Gao and Zhi-Li Zhang},
journal= {arXiv preprint arXiv:2006.00556},
year = {2020}
}