【論文解讀】基于圖卷積的價格感知推薦
Link：https://arxiv.org/pdf/2003.03975v1.pdf
在之前的我所閱讀的推薦系統(tǒng)文章中，除了2018年的RecSys中一篇從生產(chǎn)者角度出發(fā)的文章外，印象中沒有過多的與推薦場景關(guān)聯(lián)的實際/現(xiàn)實因素。大多數(shù)研究都更關(guān)注用戶特征和用戶與物品之間的交互，以計算點擊率之類的相關(guān)評估結(jié)果。但是在電商領(lǐng)域，像“價格”這種真實的、甚至有些起決定性的因素，卻很少出現(xiàn)在科研文章中，這也許與公開數(shù)據(jù)集中常常沒有這一特征有關(guān)。當(dāng)然了，也許是我讀的還不夠多。
但是價格，是多么重要的特征??！就算我們通過很好的模型能夠給用戶推薦她確實喜歡的物品，她也確實點擊了這些推薦的物品。一旦商品詳情中價格不符合她的心理預(yù)期，她就會遺憾地關(guān)掉網(wǎng)頁。那么即使點擊率有所提高了，轉(zhuǎn)化率依舊不會提高。
今天我們來分享一篇重點描述了“價格因素”在推薦系統(tǒng)中應(yīng)用的文章。
文章中提到價格在推薦系統(tǒng)中應(yīng)用的難度有以下兩點：
1）用戶的價格意識未知。用戶對商品價格的偏好和敏感度未知，這僅隱含地反映在用戶購買的商品中。也就是說，我們只能通過用戶是否購買了來判斷該商品的價格是否合適。用戶很少明確聲明其對商品價格的偏好和敏感性。因此，要構(gòu)建數(shù)據(jù)驅(qū)動的方法，我們必須從用戶的購買歷史中推斷出用戶對商品價格的個性化意識。更具挑戰(zhàn)性的是，我們需要考慮相似用戶歷史中反映的CF效應(yīng)，以提高推理的準(zhǔn)確性。
2）商品類別對用戶的價格意識影響很大。商品價格如何影響用戶的意圖很大程度上取決于商品的價格。產(chǎn)品類別，也就是用戶對商品價格的感知和承受能力在各個類別之間可能會發(fā)生顯著變化。例如一個女人可能不愿意花1000塊錢買一塊手表，但是可能愿意花1500塊錢買一條新裙子。而男人則可能正好相反。因此，重要的是要考慮商品類別信息，以準(zhǔn)確推斷用戶的價格偏好。
因此，作者開發(fā)了一種有效的方法來預(yù)測用戶的購買意愿，并重點關(guān)注推薦系統(tǒng)中的價格因素，命名為PUP模型。
PUP模型
模型圖如下圖所示。
PUP模型的整體設(shè)計組件如下：統(tǒng)一的異質(zhì)圖，一個圖卷積編碼器（graph convolutional encoder）和一個基于成對交互的解碼器。構(gòu)建的統(tǒng)一異構(gòu)圖由四種類型的節(jié)點組成，其中用戶節(jié)點連接到商品節(jié)點，商品節(jié)點連接到價格節(jié)點和類別節(jié)點。
文中強(qiáng)調(diào)，這項工作的重點是利用商品價格來提高推薦的準(zhǔn)確性。由于用戶的價格意識與產(chǎn)品類別密切相關(guān)，所以在設(shè)計價格意識推薦系統(tǒng)時，必須將類別考慮在內(nèi)。
其中，?
?和?
?表示用戶集和物品集，?
?是用戶-物品的交互矩陣，M和N分別表示用戶和物品的數(shù)量。如果?
?表示用戶u曾經(jīng)購買了物品i。使用?
?和?
?表示物品的價格和類別。
為了便于建模，我們將價格視為一個分類變量，使用統(tǒng)一量化將價格值離散到單獨的水平。例如，假設(shè)類別手機(jī)的價格范圍是[200,3000]，我們將其離散到10個價格水平。例如，一部手機(jī)的價格是1000元，那么這個手機(jī)的價格水平就是?
?。
最后，我們將價格感知產(chǎn)品推薦問題表述如下：
input：交互矩陣?
?，物品價格?
?和物品類別?
output：給定用戶-商品對兒?
?的購買行為的估計概率。
接下來我們來拆分一下模型的各個組件。
1. 統(tǒng)一的異構(gòu)圖 （Uni?ed heterogeneous graph）
?表示。V中的節(jié)點包括用戶節(jié)點、物品節(jié)點、類別節(jié)點和價格節(jié)點，分別用?
?表示。E中的邊由三個部分組成，分別是：交互邊 ：
?中?
?的邊類別邊：?
價格邊：?
2. 圖卷積編碼器 （Graph convolutional encoder）
Embedding Layer：由于價格屬性和類別屬性被拿出來作為節(jié)點，因此ID是節(jié)點剩下的唯一特征。因此，我們引入一個嵌入層來壓縮onehot ID編碼到一個密集的實值向量。 Embedding propagation layer ：在GCN中，節(jié)點的嵌入傳播到它們的一階鄰居，如果應(yīng)用了一個以上的卷積層，則進(jìn)一步傳播。也就是說，通過增加圖卷積的層數(shù)一定程度上可以擴(kuò)大節(jié)點的感受野。在本文中的編碼器中，嵌入傳播層捕獲在兩個直接連接的節(jié)點之間傳輸?shù)南ⅲ@些節(jié)點可以是用戶-商品、商品-價格或商品-類別。節(jié)點?
?和節(jié)點?
?之間的傳播的嵌入可以表示為：?
?表示節(jié)點??的鄰居集合，?
?是節(jié)點??從嵌入層得到嵌入表示。與原GCN相同的是，本文也對每一個節(jié)點添加自循環(huán)(self-loops)，因為它縮小了歸一化Laplacian的譜，因此我們將異構(gòu)圖中的每個節(jié)點鏈接到自身，使得節(jié)點??也出現(xiàn)在??中。
Neighbor aggregation layer：從網(wǎng)絡(luò)表示學(xué)習(xí)的角度來看，圖結(jié)構(gòu)中兩個節(jié)點的鄰接關(guān)系意味著它們的表示也應(yīng)該在變換后的潛在空間附近。我們通過聚合節(jié)點鄰居的表示來更新節(jié)點的表示。在所有的聚合操作中，[24]、[28]最常用的方法是求和、取平均值和LSTM。在我們提出的編碼器中，我們采用平均池和利用非線性激活函數(shù)來執(zhí)行消息在圖上傳遞。
3. 基于成對兒交互的解碼器 （Pairwise-interaction based decoder）
?和?
?所使用的嵌入是不同的、獨立的。P.S. 歡迎投稿，讓更多人看到你的分享。
往期精彩回顧
獲取一折本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開：
https://t.zsxq.com/662nyZF
本站qq群704220115。
加入微信群請掃碼進(jìn)群（如果是博士或者準(zhǔn)備讀博士請說明）：