深圳华强北今晚,网站优化推广公司,利用网络挣钱的路子,单县网站开发1 动机
传统推荐系统一般只考虑购买行为#xff0c;忽略了放入购物车、浏览行为#xff1b;本文将购买、放入购物车、浏览三个行为一起考虑#xff1b;考虑购买和放入购物车行为的差异#xff0c;进行对比学习#xff1b;考虑购买和浏览行为的差异#xff0c;进行对比学…1 动机
传统推荐系统一般只考虑购买行为忽略了放入购物车、浏览行为本文将购买、放入购物车、浏览三个行为一起考虑考虑购买和放入购物车行为的差异进行对比学习考虑购买和浏览行为的差异进行对比学习。
2 相关工作
主要有图神经网络(GNN)和多行为推荐(Multi-behavior recommendation)两个方面。
2.1 图神经网络(GNN)
NGCF [Wang et al., 2019]在推荐中提出了一种空间 GNN (spatial GNN)LightGCN [He et al., 2020]学习用户和商品的编码
2.2 多行为推荐
[Chen et al., 2020a; Wang et al., 2021]增加了辅助行为[Jin et al., 2020]基于异质网络heterogeneous graphMB-GMN [Xia et al., 2021b]赋予用户-项目交互学习以发现依赖于类型的行为表示的能力从而自动提取行为异质性和交互多样性以进行推荐。
总结现有的多行为推荐方法没有考虑捕捉多行为的共性数据稀疏的问题依然存在。
3 主要算法 算法主要分为三个部分
(1) 利用GCN对三个行为进行编码(2) 对用户和商品分别进行编码(3) 利用对比学习(Contrastive Learning)来建立购买和放入购物车行为之间的差异、购买和浏览行为之间的差异。
3.1 GCN编码三个行为 数据说明
GGG包含购买、放入购物车、浏览三个行为的原始数据集G1G_1G1用户和购买关系图G2G_2G2用户和放入购物车关系图G3G_3G3用户和浏览关系图。 算法流程通过LightGCN对三个行为进行初始化编码。
3.2 用户和商品编码 对用户进行编码
利用用户uuu的购买、放入购物车、浏览三个行为的编码对用户uuu进行编码 euσ{W(∑k1Kauk∗xuk)b}(1)\boldsymbol{e}_{\boldsymbol{u}}\sigma\left\{\boldsymbol{W}\left(\sum_{k1}^{K} a_{u k} * \boldsymbol{x}_{\boldsymbol{u} \boldsymbol{k}}\right)\boldsymbol{b}\right\} \tag1 euσ{W(k1∑Kauk∗xuk)b}(1) – auka_{u k}auk用户uuu的行为kkk对应的权重 – xuk\boldsymbol{x}_{\boldsymbol{u} \boldsymbol{k}}xuk用户uuu在行为kkk下的编码来源于XU1,XU2,XU3X_{U1}, X_{U2}, X_{U3}XU1,XU2,XU3 – W\boldsymbol{W}W和b\boldsymbol{b}b神经网络的权重和偏置计算auka_{u k}auk分子为单个行为分母为三个行为的加权累加和。 aukexp(wk∗nuk)∑m1Kexp(wm∗num)(2)a_{u k}\frac{\exp \left(w_{k} * n_{u k}\right)}{\sum_{m1}^{K} \exp \left(w_{m} * n_{u m}\right)} \tag2 auk∑m1Kexp(wm∗num)exp(wk∗nuk)(2) – wkw_{k}wk行为kkk的下标作者用的是一个全局的变量所用用户采用的同一个值比如购买是0.5放入购物车是0.3浏览是0.2; – nukn_{u k}nuk用户uuu在行为kkk下的物品个数比如张三购买了2个商品将3个商品放入购物车浏览了5个商品
对商品进行编码利用多层感知机将第iii个商品在行为kkk下的编码拼接起来。 eig{Cat(xik)}(3)\boldsymbol{e}_{\boldsymbol{i}}g\left\{\operatorname{Cat}\left(\boldsymbol{x}_{\boldsymbol{i k}}\right)\right\} \tag3 eig{Cat(xik)}(3)
3.3 对比学习(Contrastive Learning) 计算用户购买和放入购物车之间的差异、用户购买和浏览之间的差异 Lsst−k′user∑u∈U−log∑u∈Uexp{(xu1)Txuk′/τ)}∑u−∈Uexp{(xu1)Txu−k′/τ}(4)\mathcal{L}_{s s t-k^{\prime}}^{u s e r}\sum_{u \in U}-\log \frac{\left.\sum_{u^{} \in U} \exp \left\{\left(\boldsymbol{x}_{\boldsymbol{u} \boldsymbol{1}}\right)^{T} \boldsymbol{x}_{\boldsymbol{u}^\boldsymbol{k}^{\prime}} / \tau\right)\right\}}{\sum_{u^{-} \in U} \exp \left\{\left(\boldsymbol{x}_{\boldsymbol{u} \boldsymbol{1}}\right)^{T} \boldsymbol{x}_{\boldsymbol{u}^{-} \boldsymbol{k}^{\prime}} / \tau\right\}} \tag4 Lsst−k′useru∈U∑−log∑u−∈Uexp{(xu1)Txu−k′/τ}∑u∈Uexp{(xu1)Txuk′/τ)}(4) – k′k^{\prime}k′有两个取值分别为2和32代表放入购物车3代表浏览 – uu^{}u和u−u^{-}u−以用户uuu为基础找到用户uuu的正用户集和负用户集PMIP M IPMI值大于某个阈值为正小于某个阈值为负计算方法如下 PMI(u,u′)logp(u,u′)p(u)p(u′)p(u)∣I(u)∣∣I∣p(u,u′)∣I(u)∩I(u′)∣∣I∣(5)\begin{array}{c} P M I\left(u, u^{\prime}\right)\log \frac{p\left(u, u^{\prime}\right)}{p(u) p\left(u^{\prime}\right)} \\ p(u)\frac{|I(u)|}{|I|} \\ p\left(u, u^{\prime}\right)\frac{\left|I(u) \cap I\left(u^{\prime}\right)\right|}{|I|} \end{array} \tag5 PMI(u,u′)logp(u)p(u′)p(u,u′)p(u)∣I∣∣I(u)∣p(u,u′)∣I∣∣I(u)∩I(u′)∣(5) – τ\tauτ温度参数作者取的是1。计算商品被购买和放入购物车之间的差异、商品被购买和浏览之间的差异计算方法与用户类似。
3.4 损失函数
总的损失函数如下 LLstλLsstμ∥Θ∥22(6)\mathcal{L}\mathcal{L}_{s t}\lambda \mathcal{L}_{s s t}\mu\|\Theta\|_{2}^{2} \tag6 LLstλLsstμ∥Θ∥22(6) 第一项为BPR Loss Lst∑(u,i,j)∈O−log{σ(euTei−euTej)}(7)\mathcal{L}_{s t}\sum_{(u, i, j) \in O}-\log \left\{\sigma\left(e_{u}^{T} e_{i}-e_{u}^{T} e_{j}\right)\right\} \tag7 Lst(u,i,j)∈O∑−log{σ(euTei−euTej)}(7)
eue_ueu用户uuu的编码eie_iei用户uuu购买过、或放入购物车、或浏览过的商品编码eje_jej用户uuu未购买过、或未放入购物车、或未浏览过的商品编码作者在代码里面选的64个未产生过行为的商品。
第二项为对比学习产生的Loss: Lsst∑k′2K(Lsst−k′userLsst−k′item)(8)\mathcal{L}_{s s t}\sum_{k^{\prime}2}^{K}\left(\mathcal{L}_{s s t-k^{\prime}}^{u s e r}\mathcal{L}_{s s t{-k^{\prime}}}^{i t e m}\right) \tag8 Lsstk′2∑K(Lsst−k′userLsst−k′item)(8)
Lsst−k′user\mathcal{L}_{s s t-k^{\prime}}^{u s e r}Lsst−k′user同公式(4)Lsst−k′item\mathcal{L}_{s s t{-k^{\prime}}}^{i t e m}Lsst−k′item商品的Loss。
参考文献
[1] Self-supervised Graph Neural Networks for Multi-behavior Recommendation [2] 源代码https://github.com/GuShuyun/MBRec
