ICDE2020|图卷积网络在价格感知推荐中的应用
Price-aware Recommendation with Graph Convolutional Networks
Yu Zheng, Chen Gao, Xiangnan He, Yong Li, Depeng Jin
Tsinghua University, University of Science and Technology of China
http://staff.ustc.edu.cn/~hexn/papers/icde20-priceRec.pdf
研究人员越来越关注用户行为，比如协同过滤，同时还利用一些描述用户或商品的信息，比如纹理特征，类别型画像，产品图像等。价格在市场中是比较重要的因素，它能够决定用户最终是否购买某商品，并没有得到很多关注。
这篇文章旨在提出一种预测用户购买意图的方法，该方法集中在推荐系统中的价格因素。
难点主要有两点：其一为用户对商品价格的偏好和敏感程度是未知的，只能通过用户已经购买的商品来隐式反应；其二即为用户对商品价格的意图很大程度上会依赖商品类别，用户对商品价格的感知和接受程度会根据商品类别的不同而千变万化。
针对第一条困难，作者们对用户跟商品之间以及商品跟价格之间的关系进行建模，该想法源自最近发展起来的图卷积网络(GCN)。核心思想在于利用商品作为桥梁，将价格对用户的影响进行传播，进而使得所学用户表示能够感知到价格。
针对第二条困难，将商品类别集成到传播过程中，为了预测用户商品之间的交互，对所有的结对式交互进行建模。
作者们在两个真实数据集上进行了大量实验，结果表明基于GCN的方法在学习用户对价格的敏感度。对价格敏感度进行建模有助于预测用户对于未知类别商品的偏好。
将价格因素融入推荐系统的难点主要在于以下两点
这篇文章的亮点在于
下面是这篇文章的主要贡献
不同用户对不同类别的商品价格敏感度不一致
几个用户对不同类别商品的价位接受度热力图如下
问题定义如下
这篇文章所提出的模型整体图示如下
下面是各个部分的简介
其中，图卷积编码层中嵌入层的作用如下
嵌入传播层的简介如下
邻居聚合层的简介如下
下面四个单元的更新规则为
对应的图示为
全局和区分类别的解码器具体形式如下
训练时利用半监督的方式来训练，并且忽略部分解码
损失函数定义及形式如下
图卷积的形式如下
数据集统计如下
上述两个数据集的简介如下
数据集分割及评价指标如下
参与对比的几种方法有以下几个
下面是模型参数设置
模型效果对比如下
其中有无价格，有无类别对模型的影响如下
两种价格分段策略的效果对比如下
下面是不同的价格等级划分对模型的效果影响
针对数据集YELP, 不同的嵌入层单元数分配对模型的效果对比如下
针对之前未涉及的类，几种模型的效果对比如下
我是分割线
您可能感兴趣
WSDM2020|基于强化学习的多轮对话推荐系统(EAR, 即将开源)
WWW2020|如何利用未来数据协助训练基于会话的推荐(GRec)
ICML2018|基于自注意力的序列推荐模型SASRec(已开源)
IJCAI2018|分层时空LSTM在位置预测中的应用(HST-LSTM)
IJCAI2019|基于会话和注意力机制的CTR预估模型DSIN(已开源)
AISTATS2018|密歇根大学提出新型在线boosting算法用于多标签排序(已开源)
KDD2019|基于注意力的深度学习如何实时预测购买还是浏览
AAAI2020|一种新型高效兼容多行为的推荐系统模型EHCF(已开源)
ICML2007|深度学习用于协同过滤的开篇作之一(出自深度学习鼻祖之一Hinton)
SIGIR2019|基于BERT的深度学习模型在信息检索中的应用(已开源)
SIGIR2019|基于注意力机制的新型深度学习模型(采莓树模型BIRD,已开源)
SIGIR2019|深度学习如何更好地用于学习排序(LTR)(已开源)
SIGIR2019|利用DeepSHAP来解释神经检索模型(已开源)
KDD2018|基于GBM的动态定价回归模型
KDD2018|超越deepfm的CTR预估模型深层兴趣网络DIN(已开源)
RecSys2019|优于DeepFM和XDeepFM的CTR模型FiBiNET
SIGIR2018|选择性GBDT(SelGB)用于排序学习(已开源)
IJCAI2019|基于对抗变分自编码的协同过滤框架VAEGAN
聊聊CatBoost
聊聊XGBoost CatBoost LightGBM RF GBDT
顶会中深度学习用于CTR预估的论文及代码集锦 (3)
ICML 2018 深度学习论文及代码集锦(5)
深度学习用于文本摘要的论文及代码集锦
深度学习用于机器翻译的论文及代码集锦
深度学习用于序列标注中的论文及代码集锦
深度学习在推荐系统中的应用及代码集锦(4)
深度学习在OCR中的应用论文及代码集锦 (2)