在有向图中使用图神经网络推荐相关产品
信息检索
2022-11-22 v1 机器学习
摘要
相关产品推荐(RPR)对任何电子商务服务的成功都至关重要。在本文中,我们处理推荐相关产品的问题,即给定一个查询产品,我们希望推荐与其有高概率一起被购买的前k个产品。我们的问题隐式地假设非对称性,即对于一部手机,我们想推荐合适的手机壳,但对于手机壳,推荐手机可能并不合适,因为顾客通常只在拥有手机时才购买手机壳。我们也不将自己局限于互补品或替代品推荐。例如,对于特定的睡衣T恤,我们可以推荐类似的T恤以及运动裤。因此,相关性概念相对于查询产品是主观的,并依赖于顾客偏好。此外,产品价格、可用性等各种因素导致历史购买数据中存在选择偏差,在训练相关产品推荐模型时需要对此进行控制。这些挑战彼此正交,使得我们的问题非平凡。为解决这些,我们提出DAEMON,一种基于图神经网络(GNN)的新型相关产品推荐框架,其中该问题被表述为有向产品图上的节点推荐任务。为捕捉产品非对称性,我们采用非对称损失函数,并通过适当聚合其邻域特征,为每个产品学习双重嵌入。DAEMON利用目录元数据、浏览行为日志等多模态数据源来缓解选择偏差,并为冷启动产品生成推荐。大量离线实验表明,在节点推荐任务中,DAEMON在HitRate和MRR方面优于最先进的基线30-160%。
引用
@article{arxiv.2211.11583,
title = {Recommending Related Products Using Graph Neural Networks in Directed Graphs},
author = {Srinivas Virinchi and Anoop Saladi and Abhirup Mondal},
journal= {arXiv preprint arXiv:2211.11583},
year = {2022}
}
备注
This work was accepted in ECML PKDD 2022