基于历史感知Transformer的个性化服装推荐
系统与控制
2024-09-30 v2 信息论
系统与控制
math.IT
摘要
我们提出了历史感知Transformer (HAT)，一种基于Transformer的模型，使用购物者的购买历史来个性化服装预测。本工作的目标是推荐符合个体购物者风格和偏好的内部连贯的服装。为实现这一目标，我们堆叠两个Transformer模型：一个用于生成服装表示，另一个用于处理给定购物者的购买历史。我们使用这些模型对服装在购物者根据其之前购买推断的偏好上下文中的兼容性进行评分。在训练期间，模型通过三个损失学习如何区分已购买的服装和随机服装：用于服装兼容性的焦点损失、用于将来自购物者历史的学习服装嵌入拉近的对比损失，以及用于从弱负样本中学习的自适应间隔损失。这些损失共同使模型能够基于购物者的购买历史进行个性化推荐。我们在IQON3000和Polyvore数据集上的实验表明，HAT在服装兼容性预测(Compatibility Prediction, CP)和填空任务(Fill In The Blank, FITB)方面均优于强基准。在CP困难任务中，HAT相较于以前的SOTA结果，IQON3000的AUC提高了15.7%，Polyvore提高了19.4%。在FITB困难任务中，准确率分别提高了6.5%和9.7%。我们提供了关于个性化、对比损失和自适应间隔损失的消融研究，凸显了这些建模选择的重要性。
引用
@article{arxiv.2407.00289,
title = {Personalised Outfit Recommendation via History-aware Transformers},
author = {Myong Chol Jung and Julien Monteil and Philip Schulz and Volodymyr Vaskovych},
journal= {arXiv preprint arXiv:2407.00289},
year = {2024}
}