Introduction
互補(bǔ)商品推薦（Complementary Product Recommendataion, CPR）漠嵌，i2i問題。輸入的query是一個(gè)item饵婆，目標(biāo)是召回盡可能多種類的互補(bǔ)商品（例如手機(jī)和手機(jī)殼售貌，羽毛球拍和羽毛球）。
難點(diǎn)：
- 互補(bǔ)關(guān)系是非對稱關(guān)系啃憎，例如，手機(jī)殼->手機(jī)是正確的似炎，但是手機(jī)->手機(jī)殼是錯誤的辛萍。并且互補(bǔ)關(guān)系不等于相似，通過常見的相似度量是不能得到互補(bǔ)關(guān)系的
- 多樣性：互補(bǔ)的推薦里面需要考慮多樣性
- 冷啟動：推薦的常見問題羡藐，低資源的item效果差
之前的方法（矩陣分解/協(xié)同過濾/神經(jīng)網(wǎng)絡(luò)等）大多數(shù)是基于相似度的贩毕，無法解決這個(gè)問題。專門做互補(bǔ)商品推薦的工作有兩個(gè)仆嗦，Sceptre(KDD'15), PMSC(WSDM'18)辉阶。這兩個(gè)工作都存在兩個(gè)問題：
- 分別使用co-view和co-purchase數(shù)據(jù)作為判斷相似商品和互補(bǔ)商品的依據(jù)，但是實(shí)際上co-view和co-purchase是有重合的瘩扼，不同的類目重合度不一樣
- 只在一個(gè)大類內(nèi)部做推薦（例如電子/母嬰）谆甜，但是事實(shí)上互補(bǔ)的商品經(jīng)常會跨類目。
Contribution：
- 提出了一種新的構(gòu)建互補(bǔ)數(shù)據(jù)的模式
- 提出了一個(gè)新的模型 P-companion邢隧，可以生成多樣化的互補(bǔ)商品推薦店印，并且可以處理冷啟動的問題
- 效果：hit@10超過SOTA 7.1%
Preliminaries
Behaviour-based Product Graph (BPG)
節(jié)點(diǎn)：商品
屬性：product catalog: title冈在、類目倒慧、短描述等文本信息
邊：
co-review: Bcv
co-purchase: Bcp
purchase-after-review: Bpv，瀏覽了x包券，最終購買了y
這里有一個(gè)疑問纫谅，co-review和co-purchase這兩種邊為什么是有向的？這影響了接下來構(gòu)造數(shù)據(jù)的時(shí)候怎么能構(gòu)造出來非對稱的label
問題定義：給定BPG溅固，給定query item i和它對應(yīng)的類目 wi付秕，給定目標(biāo)互補(bǔ)商品的類目數(shù)k，生成互補(bǔ)商品集合侍郭。目標(biāo)是優(yōu)化co-purchase概率
Data Generating: Distant supervision label collection for CPR problem
- 修改了對互補(bǔ)商品的生成規(guī)則：作者觀察到询吴，co-review和co-purchase整體上有20%的重合掠河，而且不同類目程度不同。符合人的直覺猛计，會同時(shí)購買兩件T恤唠摹，但是不會同時(shí)購買兩個(gè)電視。最終的互補(bǔ)商品集合如下奉瘤，人工評估這種方式的準(zhǔn)確率比只用cp高了30%
- 打破了之前的類目限制：互補(bǔ)商品會出現(xiàn)跨一級類目的情況勾拉，例如，網(wǎng)球拍在Sports大類下面盗温，但是網(wǎng)球鞋在Shoes大類下面藕赞。33%的電子商品的co-purchase類目是 home improvement 和 office product
- 最終生成的數(shù)據(jù)集：2.4kw 商品，3.5w 類目卖局，8kw 互補(bǔ)關(guān)系
Model
P-Companion：E2E模型斧蜕，分層多任務(wù)（預(yù)測類目&預(yù)測商品）聯(lián)合訓(xùn)練。主要有三個(gè)部分
- Product2vec: 基于圖的商品表示學(xué)習(xí)（一跳的GAT）砚偶，尤其適合解決冷啟動問題
- Complementary type transition: 預(yù)測互補(bǔ)商品的類目
- complementary item prediction: 根據(jù)query商品和目標(biāo)類目惩激，預(yù)測互補(bǔ)商品
1. Product2vec
整體上是一個(gè)一跳的GAT，單獨(dú)訓(xùn)練蟹演。這里訓(xùn)練出來的商品向量應(yīng)該會用來初始化后面2&3中的商品向量风钻。
-
商品初始表示：3層的網(wǎng)絡(luò)
image.png 鄰域選擇：根據(jù)BPG圖中邊的情況，把item之間的關(guān)系分成兩種：相似（substitute）和互補(bǔ)（complementary）酒请，這兩種會分別構(gòu)造鄰域作為正例和負(fù)例骡技。相似（左）和互補(bǔ)（右）的定義：
- 訓(xùn)練目標(biāo)：經(jīng)過相似商品子圖聚合后，新的商品表示應(yīng)該和初始表示相似羞反；經(jīng)過互補(bǔ)商品子圖聚合后布朦，新的表示應(yīng)該和初始表示不相似
2. Complementary Type Transition
這里就是一個(gè)比較簡單的分類任務(wù)的網(wǎng)絡(luò)，每個(gè)類目有兩個(gè)向量表達(dá)昼窗，一個(gè)用來做query向量是趴，一個(gè)用來做context向量[圖片上傳失敗...(image-6f62bc-1616648172252)] ，這里的目的是解決前面提到的互補(bǔ)關(guān)系非對稱的問題澄惊。
3. Complementary Item Prediction
商品向量和target互補(bǔ)類目向量點(diǎn)乘唆途，把商品向量transfer到target互補(bǔ)類目空間，再計(jì)算和target item的距離掸驱。
訓(xùn)練數(shù)據(jù)：和Product2vec相反肛搬，相似數(shù)據(jù)作為負(fù)例，互補(bǔ)數(shù)據(jù)作為正例毕贼，正負(fù)例比例1:1
Joint Training：預(yù)測商品和預(yù)測類目的loss加權(quán)求和温赔，通過α控制比重（實(shí)際取的是0.8）
inference：需要分2步進(jìn)行，先預(yù)測type鬼癣，然后取Top K陶贼，再預(yù)測商品
Experiment
Experiment Setup
- Dataset：構(gòu)造方式見preliminaries
Baseline：
Co-purchase (CP): 直接把一起購買的商品作為CPR推薦的結(jié)果
Sceptre：根據(jù)商品的title/短描述/評論挖掘topic啤贩，然后通過LR預(yù)測substitute/complementary關(guān)系
PMSC：每個(gè)item分別有src embedding和tgt embedding兩個(gè)表示，分別在query和candidate context中使用拜秧。通過神經(jīng)網(wǎng)絡(luò)分類瓜晤。
JOIE：知識圖譜表示學(xué)習(xí)的一個(gè)模型，會用到實(shí)體對應(yīng)的type信息腹纳，這里把商品作為節(jié)點(diǎn)痢掠，把type改成是類目
Evaluation
目標(biāo)互補(bǔ)type數(shù)量的實(shí)驗(yàn)，提升目標(biāo)type數(shù)量嘲恍，會同時(shí)提升多樣性和hit足画。
人工評測：0-3分，分越高表示推薦的結(jié)果越好佃牛，評測的人越想買淹辞。這個(gè)結(jié)果說明模型推薦的結(jié)果和實(shí)際上co-purchase數(shù)據(jù)很接近
Case study: CPR on cold-start items
Online 實(shí)驗(yàn)
base策略：co-purchase ，orders + 0.23%, GMV+ 0.18%
Conclusion
回顧一下這篇paper對于幾個(gè)challenge的解決方案：
- 互補(bǔ)是非對稱關(guān)系俘侠，且不等于相似：1) 構(gòu)造數(shù)據(jù)方式調(diào)整象缀，提升互補(bǔ)關(guān)系label的準(zhǔn)確率；2) 每個(gè)類目有query表達(dá)和context表達(dá)兩種向量
- 多樣性：hierarchical model爷速，先預(yù)測type央星，后預(yù)測item”苟可以人工指定type數(shù)量
- 冷啟動：通過product2vec圖模型預(yù)訓(xùn)練商品向量
一些比較奇怪的點(diǎn)：
- 這篇論文里完全沒有用戶相關(guān)的建模莉给，只有通過泛化的用戶行為構(gòu)造的BPG上的邊，沒有個(gè)體用戶
- 對于item只用了類目&文本特征（product catalog）和邊信息廉沮，完全沒考慮商品自身的效率指標(biāo)（例如orders等）
