融合商品潜在互补性发现的个性化推荐方法

作     者：邵英玮 张敏 马为之 王晨阳 刘奕群 马少平 SHAO Ying-Wei;ZHANG Min;MA Wei-Zhi;WANG Chen-Yang;LIU Yi-Qun;MA Shao-Ping

作者机构：清华大学计算机科学与技术系北京100084 清华大学北京信息科学与技术国家研究中心北京100084 

出 版 物：《软件学报》 (Journal of Software)

年 卷 期：2020年第31卷第4期

页      面：1090-1100页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61672311,61532011) 国家重点研发计划(2018YFC0831900) 

主　　题：推荐系统 表示学习 商品关系 计算经济学 

摘      要：结合领域内知识的个性化推荐算法在近年来受到了广泛关注,许多研究工作尝试将商品之间的关系(如互补关系等)融入到推荐算法中.对于商家而言,了解商品互补的关系能够帮助他们更好地制定定价策略;对于推荐算法而言,结合商品关系的推荐也更有可能生成令人满意的结果,因此,如何挖掘商品间的互补关系是一个很有意义的研究问题.现有方法大多从用户历史中的“共同购买发掘商品的互补关系,但是由于真实的购买场景非常复杂,得到的很可能仅仅是共现关系而不是互补关系.借鉴经济学的相关研究,提出了商品潜在互补性发现推荐模型(latent complementarity discovery model,简称LCDM),试图从另一角度更准确地刻画商品间关系.首先,基于经济学理论中的需求交叉弹性(cross-price elasticity of demand),提出互补性发现模型(complementarity discovery model,简称CDM)联合商品价格与购买历史来挖掘商品间的互补关系.在用户标注任务中,所提算法较已有方法在用户标注的一致性上提升了10.6%.随后,基于此提出了融合商品互补关系的双重注意力机制推荐模型LCDM.最后,在真实数据集上的对比实验结果表明,提出的LCDM推荐模型能够显著改善推荐的效果,在Recall@5和NDCG@5上分别有54.5%和125.8%的提升,验证了所提方法的有效性.