Try This Instead: Personalized and Interpretable Substitute Recommendation
https://arxiv.org/pdf/2005.09344.pdf
背景
在电商场景下,补充产品或者捆绑产品是被广泛研究的一个领域(例如iphone11和其配套的手机壳),这也被称为捆绑推荐,在很多成功的场景中,补充产品可以进一步刺激用户的购买行为,或者通过预先展示的捆绑广告吸引潜在用户。与补充关系不同的是,还存在可替代性的推荐场景例如(iphone11和三星S10)。用户在寻找某种特定类型的产品时,往往会获取一组候选物品进行比较,然后选择最合适的商品。所以在推荐中推荐优于当前选择的商品可以扩大用户视野,增加成功购买的机会。
创新
文中从个性化和可解释性的角度提出了可替代商品的推荐框架,如下图所示:通过用户的评论信息得到用户感兴趣的方面后对用户做出个性化推荐,如果用户对于手机的拍照比较在意,则会推荐三星华为等竞品手机,如果用户喜欢苹果的产品,则会推荐iphone的其他手机产品。
提取属性和情感
使用Sentires模型提取用户评论中提及的属性和情感对(user,item,attribute,sentiment),简化为(u,v,a,s)。然后建立用户-属性矩阵X,矩阵中的值Xin的计算如下:
其中N表示数据集中最高的评分。
同理,物品属性矩阵定义如下:
基于属性的协同过滤
用户属性的协同过滤
目标是最小化预测用户对某属性值的兴趣程度与用户真实属性之间的差别。同时计算时不再使用内积的方式,而是使用MLP来计算用户-属性值。对物品属性矩阵的计算同理。
可替代性推荐
使用BPR Loss的思想对(ui,vq,vj)进行优化:
个性化的可解释性理由
通过计算用户对于不同属性值的偏好以及物品对间关系给出如下所示的推荐理由:
实验
在三个有评论信息的数据集上尽心了测试,均取得最佳的效果
用文中框架得到的推荐理由:
总结
文中研究了一个新的研究问题,即个性化和可解释的替代推荐,并提出了一个新的A2CF模型作为解决方案。A2CF充分利用了从评论中提取的属性信息,有效地将用户偏好和项目属性联系起来,生成个性化的替代建议,并赋予模型较高的解释性。
Ref:Chen T, Yin H, Ye G, et al. Try this instead: Personalized and interpretable substitute recommendation[C]//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. 2020: 891-900.