PreSizE：利用 Transformers 预测电商中的尺码

电商时尚行业近期的进展促使人们探索通过改进个性化来提升买家体验的新方式。预测待推荐商品的合适尺码是一项重要的个性化挑战，本文对此展开研究。该领域早期工作要么侧重于建模显式买家合身反馈，要么仅对问题的单一层面（如特定品类、品牌等）建模。较近期的工作提出了更丰富的模型，包括基于内容的或基于序列的，能更好地考虑问题的基于内容的方面或更好地建模买家的在线历程。然而，这两类方法在特定场景下均会失效：基于序列的模型遇到未见过的商品时，或基于内容的模型遇到新用户时。为弥补上述不足，我们提出 PreSizE——一种利用 Transformers 进行精准尺码预测的新型深度学习框架。PreSizE 对基于内容的属性（如品牌和品类）以及买家的购买历史对其尺码偏好的影响进行建模。在大规模电商数据集上的大量实验表明，PreSizE 相比先前 SOTA 基线取得了更优的预测性能。通过编码商品属性，PreSizE 能更好地处理含未见商品的冷启动情形，以及买家过往购买数据很少的情形。作为概念验证，我们展示了 PreSizE 做出的尺码预测可有效集成进现有生产推荐系统，产生非常有效的特征并显著改善推荐。