核心概念
本文提出了一種名為 CoActionGraphRec (CAGR) 的新型推薦模型,旨在解決電子商務平台中資料稀疏性和用戶興趣多樣性帶來的挑戰。
摘要
CoActionGraphRec:利用共同行為圖譜進行序列式多興趣推薦
本研究旨在開發一種適用於電子商務平台的個人化商品推薦系統,特別是針對 eBay 等平台面臨的資料稀疏性和用戶興趣多樣性等挑戰。
本研究提出了一種基於文字的雙塔深度學習模型 CoActionGraphRec (CAGR),該模型利用共同行為圖層來增強用戶和商品的表示。
商品塔: 使用共同行為商品來表示每個商品,以捕捉共同行為圖中的協同訊號,並利用圖神經網路元件充分利用這些訊號。
用戶塔: 為每個用戶的行為序列建立一個全連接圖,並使用邊緣編碼成對關係。此外,還使用一個顯式交互模組來學習捕捉行為交互的表示。