主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
邵英玮,张敏,马为之,王晨阳,刘奕群,马少平.融合商品潜在互补性发现的个性化推荐方法.软件学报,2020,31(4):0
融合商品潜在互补性发现的个性化推荐方法
Integrating Latent Item-item Complementarity with Personalised Recommendation Systems
投稿时间:2019-05-30  修订日期:2019-07-29
DOI:10.13328/j.cnki.jos.005925
中文关键词:  推荐系统  表示学习  商品关系  计算经济学
英文关键词:recommender systems  representation learning  item-item relationship  computational economics
基金项目:国家自然科学基金(61672311,61532011)和国家重点研发计划(2018YFC0831900)资助.
作者单位E-mail
邵英玮 清华大学 计算机科学与技术系智能技术与系统国家重点实验室, 北京 100084  
张敏 清华大学 计算机科学与技术系智能技术与系统国家重点实验室, 北京 100084 z-m@tsinghua.edu.cn 
马为之 清华大学 计算机科学与技术系智能技术与系统国家重点实验室, 北京 100084  
王晨阳 清华大学 计算机科学与技术系智能技术与系统国家重点实验室, 北京 100084  
刘奕群 清华大学 计算机科学与技术系智能技术与系统国家重点实验室, 北京 100084  
马少平 清华大学 计算机科学与技术系智能技术与系统国家重点实验室, 北京 100084  
摘要点击次数: 55
全文下载次数: 19
中文摘要:
      结合领域内知识的个性化推荐算法在近年来受到了广泛关注,许多研究工作尝试将商品之间的关系(如互补关系等)融入到推荐算法中.对于商家而言,了解商品互补的关系能帮助他们更好地制定定价策略;对于推荐算法而言,结合商品关系的推荐也更有可能生成令人满意的结果,因此,如何挖掘商品间的互补关系是一个很有意义的研究问题.现有方法大多从用户历史中的“共同购买”发掘商品的互补关系,但是由于真实的购买场景非常复杂,得到很可能仅仅是共现关系而不是互补.本文借鉴经济学的相关研究,提出了商品潜在互补性发现推荐模型(Latent Complementarity Discovery Model,简称LCDM),试图从另一角度更准确地刻画商品间关系.首先,我们基于经济学理论中的需求交叉弹性(Cross-Price Elasticity of Demand),提出互补性发现模型(Complementarity Discovery Model,简称CDM)来联合商品价格与购买历史来挖掘商品间的互补关系.在用户标注任务中,提出的算法较已有方法在用户标注的一致性上提升了10.6%.随后,本文基于此提出了融合商品互补关系的双重注意力机制推荐模型LCDM.最后,在真实数据集上的对比实验表明,我们提出的LCDM推荐模型能够显著改善推荐的效果,在Recall@5和NDCG@5分别有54.5%和125.8%的提升,验证了提出方法的有效性.
英文摘要:
      Domain-specific personalised recommendation algorithm is getting more popular nowadays. In particularly, item-item relationship (e.g. complementary good, substitute good) has already been considered in the development of recommendation algorithms. In terms of its potential application for sellers, the ability to notice actual item-item complementarity from data is of paramount importance, as it helps sellers to gain a market competitive advantage via designing better pricing strategies. (e.g. bundling or pricing discount). For recommender systems, integrating algorithms with the item-item relationship is also more likely to generate better recommendation results. Therefore, how to mine item-item complementarity is a research problem deserving of study. Even though most existing methodologies mostly leverage on co-occurrence relationship, yet, the recommendation accuracy might easily be adversely affected by noise data due to the complex dynamics in the online shopping environment. In light of the research on economics, we have proposed the Latent Complementarity Discovery Model (LCDM) in an attempt to more accurately describe the item-item relationship from a different perspective. Specifically, we firstly proposed Complementarity Discovery Model (CDM) based on Cross-Price Elasticity of Demand, which jointly utilizes item pricing and purchases history to discover item-item complementarity relationship. Comparing with existing mining methods based on item cooccurrence relationship, our method yielded 10.6% increase in user label consistency. Then, we constructed LCDM by integrating dual-item attention with item-item complementarity insight mined from CDM. Lastly, from the comparison experiments conducted on real-world dataset, LCDM has made a significant improvement in recommendation performance, in which there is a 54.4% and 125.8% increase in Recall@5 and NDCG@5 respectively.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利