基于属性感知产品网络的推荐：一种表示学习模型
信息检索
2020-09-24 v2
摘要
随着商业智能的繁荣，推荐系统已演进到一个新阶段：我们不仅关心推荐什么，还关心为何推荐。因而推荐的可解释性成为研究焦点，并在电子商务中极受青睐。现有相关研究常从不同视角利用物品属性与相关性，但缺乏有效方式将两类信息结合以深度学习个性化兴趣。有鉴于此，我们基于物品的共同购买网络与重要属性提出一种新颖图结构——属性网络。进而提出一种称为 eRAN 的新颖神经模型，从属性网络生成具可解释性与冷启动能力的推荐。具体而言，eRAN 首先通过深度自编码器将属性网络中相连的的物品映射到低维嵌入向量，然后应用注意力机制建模属性对用户的吸引度，由此可导出个性化物品表示。此外，eRAN 中构建了成对排序损失以改进推荐，其假设是：在个性化视角下，被同一用户共同购买的商品对应比未配对商品（经负采样）更相似。在真实数据集上的实验证明了我们的方法相较于若干 SOTA 竞争者的有效性。特别地，eRAN 在更高精度推荐冷启动物品以及理解复杂共同购买行为背后的用户偏好方面展现出独特能力。
引用
@article{arxiv.1908.05928,
title = {Recommendation with Attribute-aware Product Networks: A Representation Learning Model},
author = {Guannan Liu and Liang Zhang and Junjie Wu and Xiao Fang},
journal= {arXiv preprint arXiv:1908.05928},
year = {2020}
}