电子商务中基于多属性序列建模的观测清单推荐
信息检索
2021-10-26 v2 机器学习
摘要
在电子商务中，观测清单（watchlist）使用户能够随时间追踪商品，并已成为一项主要功能，在用户购物过程中发挥重要作用。观测清单中的商品通常具有多个属性，其值可能随时间变化（例如价格、数量）。由于许多用户会在其观测清单中累积数十件商品，且购物意图随时间改变，在特定情境下推荐靠前的观测清单商品具有价值。本工作中，我们研究电子商务中的观测清单功能，并引入一项新颖的观测清单推荐任务。我们的目标是通过预测用户下次将点击的商品，来优先排序用户下一步应关注的观测清单商品。我们将该任务视为一种专门的序列推荐任务，并讨论其特性。我们提出的推荐模型 Trans2D 构建于 Transformer 架构之上，其中我们进一步提出一种新颖的扩展注意力机制（Attention2D），可从具有多商品属性的序列数据中学习复杂的商品-商品、属性-属性及商品-属性模式。利用来自 eBay 的大规模观测清单数据集，我们评估了所提模型，并展示了其相对于多个 SOTA 基线的优越性，其中许多基线是为该任务适配的。
引用
@article{arxiv.2110.11072,
title = {Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce},
author = {Uriel Singer and Haggai Roitman and Yotam Eshel and Alexander Nus and Ido Guy and Or Levi and Idan Hasson and Eliyahu Kiperwasser},
journal= {arXiv preprint arXiv:2110.11072},
year = {2021}
}