【论文解读】基于图卷积的价格感知推荐
Paper：Price-aware Recommendation with Graph Convolutional Networks
Link：https://arxiv.org/pdf/2003.03975v1.pdf
一篇發表在ICDE2020的非常好的文章哦~
在之前的我所閱讀的推薦系統文章中，除了2018年的RecSys中一篇從生產者角度出發的文章外，印象中沒有過多的與推薦場景關聯的實際/現實因素。大多數研究都更關注用戶特征和用戶與物品之間的交互，以計算點擊率之類的相關評估結果。但是在電商領域，像“價格”這種真實的、甚至有些起決定性的因素，卻很少出現在科研文章中，這也許與公開數據集中常常沒有這一特征有關。當然了，也許是我讀的還不夠多。
但是價格，是多么重要的特征啊！就算我們通過很好的模型能夠給用戶推薦她確實喜歡的物品，她也確實點擊了這些推薦的物品。一旦商品詳情中價格不符合她的心理預期，她就會遺憾地關掉網頁。那么即使點擊率有所提高了，轉化率依舊不會提高。
今天我們來分享一篇重點描述了“價格因素”在推薦系統中應用的文章。
文章中提到價格在推薦系統中應用的難度有以下兩點：
1）用戶的價格意識未知。用戶對商品價格的偏好和敏感度未知，這僅隱含地反映在用戶購買的商品中。也就是說，我們只能通過用戶是否購買了來判斷該商品的價格是否合適。用戶很少明確聲明其對商品價格的偏好和敏感性。因此，要構建數據驅動的方法，我們必須從用戶的購買歷史中推斷出用戶對商品價格的個性化意識。更具挑戰性的是，我們需要考慮相似用戶歷史中反映的CF效應，以提高推理的準確性。
2）商品類別對用戶的價格意識影響很大。商品價格如何影響用戶的意圖很大程度上取決于商品的價格。產品類別，也就是用戶對商品價格的感知和承受能力在各個類別之間可能會發生顯著變化。例如一個女人可能不愿意花1000塊錢買一塊手表，但是可能愿意花1500塊錢買一條新裙子。而男人則可能正好相反。因此，重要的是要考慮商品類別信息，以準確推斷用戶的價格偏好。
因此，作者開發了一種有效的方法來預測用戶的購買意愿，并重點關注推薦系統中的價格因素，命名為PUP模型。
對于第一個難點，借鑒了圖卷積網絡（GCN），對用戶物品和物品價格之間的傳遞關系進行建模。關鍵思想是通過物品作為橋梁傳播價格對用戶的影響，從而使學習到的用戶表示具有價格意識。
對于第二個難題，我們將項目類別進一步整合到傳播進度中，并對可能的成對交互進行建模，以預測用戶與項目之間的交互。
進一步的分析表明，對價格意識進行建模對于預測用戶對未開發類別的商品的偏好特別有用。
PUP模型
模型圖如下圖所示。
PUP模型的整體設計組件如下：統一的異質圖，一個圖卷積編碼器（graph convolutional encoder）和一個基于成對交互的解碼器。構建的統一異構圖由四種類型的節點組成，其中用戶節點連接到商品節點，商品節點連接到價格節點和類別節點。
文中強調，這項工作的重點是利用商品價格來提高推薦的準確性。由于用戶的價格意識與產品類別密切相關，所以在設計價格意識推薦系統時，必須將類別考慮在內。
其中，??和??表示用戶集和物品集，??是用戶-物品的交互矩陣，M和N分別表示用戶和物品的數量。如果??表示用戶u曾經購買了物品i。使用??和??表示物品的價格和類別。
為了便于建模，我們將價格視為一個分類變量，使用統一量化將價格值離散到單獨的水平。例如，假設類別手機的價格范圍是[200,3000]，我們將其離散到10個價格水平。例如，一部手機的價格是1000元，那么這個手機的價格水平就是??。
最后，我們將價格感知產品推薦問題表述如下：
input：交互矩陣??，物品價格??和物品類別?
output：給定用戶-商品對兒??的購買行為的估計概率。
接下來我們來拆分一下模型的各個組件。
1. 統一的異構圖 （Uni?ed heterogeneous graph）
為了顯式地建模用戶行為和商品屬性，我們離散了價格變量，并建立了包含四種類型節點的異構圖。為了解決未聲明的價格意識問題，我們明確地在圖上引入價格作為價格節點，而不是項目節點的輸入特征。針對類別依賴影響的難度，我們進一步在圖中添加類別節點。
對于價格感知的產品推薦任務，我們同時擁有用戶與產品的交互數據和產品的價格屬性，明確地捕捉用戶的價格感知是一項挑戰，因為用戶與價格沒有直接關系。換句話說，用戶與價格的關系是建立在用戶對商品和商品對價格的傳遞關系之上的。這樣，商品就起到了連接用戶和價格的橋梁作用。
為了解決將復雜關系轉化為統一模型的難題，我們將價格變量離散化，并構建由四種類型的節點用戶、項目、價格和類別組成的異構圖。
輸入的交互數據和屬性（類別和價格）被一個無向圖??表示。V中的節點包括用戶節點、物品節點、類別節點和價格節點，分別用??表示。E中的邊由三個部分組成，分別是：
交互邊 ：?中??的邊
類別邊：?
價格邊：?
通過引入四種類型的節點，我們將所有的實體、特征和關系表示為一個統一的圖，以顯式的方式捕獲所有的成對關系。如下圖中的紅框所示：
在圖卷積網絡中，常用的是使用word2vec提取的某些高級特征向量，如單詞嵌入，作為節點的輸入特征。同樣的，將價格和類別信息編碼到用戶節點和產品節點的輸入特征中似乎是合理的，這使得二分圖設計更加簡潔。
然而，在本文的工作中，我們明確地將兩個重要的屬性(價格和類別)作為實體節點，以一種更有表現力的方式捕獲依賴于類別的價格感知。
通過分配不同的節點，價格和類別被直接和明確地捕獲，上述兩個價格感知產品推薦的困難得到了緩解。具體地說，未聲明的價格感知被轉化為異構圖上的高階鄰居鄰近，這可以被圖卷積網絡很好地捕獲。通過將產品節點連接到價格節點和類別節點，可以減輕依賴于類別的影響問題。
2. 圖卷積編碼器 （Graph convolutional encoder）
為了同時捕獲協同過濾（CF）效應和價格感知，我們利用圖卷積網絡作為編碼器來學習用戶、商品、價格和類別的語義表示。通過在異構圖上傳播嵌入信息，將價格敏感信息聚合到用戶節點來獲取用戶的價格敏感性。
傳統的Latent factor model (LFM)僅建模用戶和物品的表示，本文中作者嘗試學習同一潛在空間中四種類型實體的表示。主要的動機是在圖上執行消息傳遞可以為多個任務(如節點分類和鏈接預測)生成語義性和魯棒性的節點表示。其中有一類特殊的算法稱為圖神經網絡，它達到了網絡表示學習領域的最新水平。我們采用了一個編碼模塊，包括一個將獨熱輸入轉換為低維向量的嵌入層（Embedding layer），一個捕獲CF效應和價格感知的嵌入傳播層(Embedding propagation layer )，以及一個建模鄰居相似度的鄰居聚合層(Neighbor aggregation layer)。
Embedding Layer：由于價格屬性和類別屬性被拿出來作為節點，因此ID是節點剩下的唯一特征。因此，我們引入一個嵌入層來壓縮onehot ID編碼到一個密集的實值向量。
Embedding propagation layer ：在GCN中，節點的嵌入傳播到它們的一階鄰居，如果應用了一個以上的卷積層，則進一步傳播。也就是說，通過增加圖卷積的層數一定程度上可以擴大節點的感受野。在本文中的編碼器中，嵌入傳播層捕獲在兩個直接連接的節點之間傳輸的消息，這些節點可以是用戶-商品、商品-價格或商品-類別。節點??和節點??之間的傳播的嵌入可以表示為：?
?表示節點??的鄰居集合，??是節點??從嵌入層得到嵌入表示。與原GCN相同的是，本文也對每一個節點添加自循環(self-loops)，因為它縮小了歸一化Laplacian的譜，因此我們將異構圖中的每個節點鏈接到自身，使得節點??也出現在??中。
Neighbor aggregation layer：從網絡表示學習的角度來看，圖結構中兩個節點的鄰接關系意味著它們的表示也應該在變換后的潛在空間附近。我們通過聚合節點鄰居的表示來更新節點的表示。在所有的聚合操作中，[24]、[28]最常用的方法是求和、取平均值和LSTM。在我們提出的編碼器中，我們采用平均池和利用非線性激活函數來執行消息在圖上傳遞。
從推薦的角度來看，本文提出的圖卷積編碼器能夠捕獲任意兩個節點之間存在路徑時的相似性。結合經典的矩陣分解算法，通過優化估計用戶-物品交互，隱式獲取協同過濾效果。然而，在我們的圖卷積編碼器中，我們明確地通過聚集一個節點的鄰居來合并協作過濾效果。具體來說，與同一項進行過交互的相似用戶是異構圖上的2階鄰居。
3. 基于成對兒交互的解碼器 （Pairwise-interaction based decoder）
由于異構圖中包含四種節點，這些節點被分解為一個共享的潛在空間，受因子分解機的啟發，我們采用了基于交互的兩兩解碼器來估計交互概率。
我們采用兩分支設計來估計用戶-物品的交互，重點是將價格納入推薦。全局分支以用戶的整體購買力為重點，在大范圍內模擬價格效應。而類別分支集中在一個“局部”級別上，在這個級別上，類別因素會影響用戶對價格的敏感性。對于每個分支，我們采用基于成對交互的解碼器來估計交互概率，并將兩個預測分數合并為最終結果。
在一個統一的異構圖中，我們將用戶、商品、類別和價格表示為四種類型的節點，因此對不同類型節點的學習表示共享相同的潛在空間。因子分解機分解了共享潛在空間中的所有特征，并通過取每對特征向量的內積來估計相互作用，受此啟發，我們采用了FM模式的解碼器。形式上，使用與上一節編碼器相同的符號，用戶u與c類商品i的估計購買概率和價格p可以表示為：
其中，最終的預測結合了來自兩個分支的超參數預測結果來平衡這兩個項。需要注意的是，每個分支都有自己的圖卷積編碼器，因此計算??和??所使用的嵌入是不同的、獨立的。
關于global分支，用戶、物品和價格這三個特征被送進一個雙路的基于成對交互的FM解碼器。在這個分支中，三個內積分別捕捉了用戶的興趣、用戶的整體價格效應和產品的價格偏差。在不考慮類別嵌入的情況下，我們估計了相互作用的概率，因此類別節點僅作為正則化項在圖上，使同一類別的項彼此靠近。由于類別信息隱藏在全局分支的解碼過程中，與類別相關的價格的局部效應被推出了學習的潛在空間。而反映用戶整體購買力和可承受性的全局價格影響，則被強大的圖卷積編碼器保留在潛在空間中。
在這項工作中，作者強調了將價格納入推薦的重要性。
為了解決價格整合的兩個難點，即未聲明價格意識和類別依賴影響，我們提出了一種基于gcn的方法PUP，并采用了一個專門設計來分離價格意識的全局和局部影響的雙分支結構。我們在真實數據集上進行了大量的實驗，證明我們提出的PUP可以提高現有方法的推薦性能。通過獲取價格意識，可以進一步了解如何緩解冷啟動問題。雖然我們的模型是專門為建模價格敏感性而設計的，但是我們提出的模型在特征工程方面具有很大的普遍性，其他特征可以很容易地集成到我們提出的方法中。
隨著越來越多的研究從服務提供者的角度聚焦于價格因素，如何將價格意識推薦擴展到價值意識推薦是一個有趣而重要的研究課題。此外，對價格動態建模也是一個很有前途的方向。
P.S. 歡迎投稿，讓更多人看到你的分享。
總結
以上是生活随笔為你收集整理的【论文解读】基于图卷积的价格感知推荐的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【Python基础】一文搞定pandas
- 下一篇： 【小白学PyTorch】12.SENet