Price-aware Recommendation with Graph Convolutional Networks
近年来,关于推荐的许多研究都致力于挖掘用户行为,即协同过滤,以及描述用户或商品的一般信息,如文本属性、分类人口统计、产品图像等。价格是市场营销中的一个重要因素,它决定了用户是否会对一件商品做出最终购买决定。令人惊讶的是,它受到的关注相对较少。
针对推荐系统中的价格因素,提出一种有效的用户购买意愿预测方法。主要困难在于:1)用户对物品价格的偏好和敏感度是未知的,仅隐含地反映在用户购买过的物品上;2)物品价格如何影响用户的购买意愿在很大程度上取决于产品的类别,即用户对物品价格的感知和承受能力可能在不同类别之间存在显著差异。针对第一个难点,本文建议对用户到物品和物品到价格之间的传递关系进行建模,灵感来自最近发展的图卷积网络(GCN)。其核心思想是以物品为桥梁传播价格对用户的影响,从而使学习到的用户表示具有价格感知能力。针对第二个难点,进一步将物品类别融入传播过程中,并对可能的成对交互进行建模,以预测用户-物品交互。在两个真实的数据集上进行了广泛的实验,证明了基于gcn的方法在学习用户价格感知偏好方面的有效性。进一步的分析表明,对价格意识进行建模对于预测用户对未探索类别的物品的偏好特别有用
本文提出的PUP方法具有以下三个特点。
1 Unified heterogeneous graph
2. Graph convolutional encoder.
3. Pairwise-interaction based decoder.