在过去我们介绍的推荐方法中,特别是电商领域的推荐,其考虑的只是用户的**宏观交互行为(macro interaction),如用户购买了xx物品,点击了xx物品。今天看到一篇不错的文章,将用户的微观行为如浏览商品的时间、对商品详情和评论的阅读等、渠道等等微观行为(micro behaviors)考虑进来,并取得了不错的实验效果。咱们来一探究竟。
论文名称:《Micro Behaviors: A New Perspective in E-commerce Recommender Systems》
论文地址:http://184pc128.csie.ntnu.edu.tw/presentation/18-03-13/Micro%20Behaviors%20A%20New%20Perspective%20in%20Ecommerce%20Recommender%20Systems.pdf
1、问题定义
我们首先来看一下,什么是宏观交互行为和微观行为:
上面的图中,宏观交互行为就是我们的一个点击序列,如iphone7->iphone 6->iphone 7 case -> samsungGalaxy。但是微观行为多种多样,比如我们搜索了iphone,看到了iphone7,点击进入商品详情页后又看了商品的描述和用户的评价,并将其加入购物车等等。同时,每种行为都有一定的停留时间。
因此,我们有如下的符号定义:
P={p1,p2,..,pN}代表N个不同的商品。
A={a1,a2,...,aM}代表M种不同的行为。
D={d1,d2,...,dK}表示将停留时间分为K档。
因此,用户的每一次行为可以表示为(pi,aj,dk),即用户在在商品pi上有过aj行为,并花费了dk档的时间。
我们的推荐问题就变为了,基于用户的行为序列(pi,aj,dk),来预测用户下一个可能感兴趣的物品。