面向再次购买推荐的个性化类别频次预测
信息检索
2023-08-03 v1 人工智能
机器学习
摘要
再次购买（BIA）推荐对零售商至关重要，可通过基于客户自身重复购买模式建议其可能再次购买的商品来提升用户体验与网站参与度。现有多数 BIA 研究在商品粒度分析用户的个性化行为。在此类场景中，基于类别的模型可能更为合适。我们提出一种称为分层 PCIC 模型的推荐系统，由个性化类别模型（PC 模型）与类别内个性化商品模型（IC 模型）组成。PC 模型生成用户可能再次购买的个性化类别列表。IC 模型对用户在某一类别中可能消费的商品进行排序。分层 PCIC 模型利用生存模型捕捉商品的总体消费率，利用时间序列模型捕捉消费趋势。由这些模型衍生的特征用于训练类别粒度的神经网络。我们在四个标准开放数据集上将 PCIC 与十二个现有基线比较。PCIC 将 NDCG 最高提升 16%，同时召回率提升约 2%。我们能够在包含 1 亿用户与 300 万商品的海量数据集上扩展并训练（超过 8 小时）PCIC，其中用户的重复类别数多于重复商品数。PCIC 已部署并于一家大型零售商的网站上进行 A/B 测试，显著提升了用户参与度。
引用
@article{arxiv.2308.01195,
title = {Personalized Category Frequency prediction for Buy It Again recommendations},
author = {Amit Pande and Kunal Ghosh and Rankyung Park},
journal= {arXiv preprint arXiv:2308.01195},
year = {2023}
}
备注
This work appears as a short paper in RecSys 2023