基于时间衰减LightGCN的重复-探索感知型购物篮推荐系统

《Future Internet》:Repeat-Explore-Aware Grocery Next-Basket Recommendation with Time-Decayed LightGCN

【字体: 大 中 小 】 时间:2026年07月01日 来源:Future Internet 4.6

编辑推荐:

   摘要 日常购

  

摘要

日常购买食品杂货是一项高度重复性的任务,但顾客们也会逐渐在购物清单中加入新商品,这就给后续的购物推荐带来了“重复购买”与“探索新商品”之间的平衡难题。本研究利用Dunnhumby完整数据集和Ta-Feng数据集,探讨了离线食品杂货推荐中的这一矛盾。研究以家庭-商品为单位来构建任务模型,并通过整体指标、针对重复购买的指标以及针对探索新商品的指标来对模型进行评估。我们比较了传统频率基准模型与GraphSAGE、GCN、LightGCN以及经过权重调整和时间衰减处理的图模型,同时还提出了两种混合模型:TL-HFE,它将基于可学习商品目录的、以利用现有信息为主的LightGCN排序方式与经过历史记录过滤的探索模块相结合;另一种是TL-PPR,它则将非参数化的个人偏好重复购买预测模块与基于LightGCN的探索模块以及针对不同家庭的购买额度分配机制相结合。在Dunnhumby数据集上,Personal Top-Frequency模型的整体召回率、重复购买召回率和探索新商品召回率分别为0.20、0.40和0.00,而TL-PPR模型的对应数值则为0.15、0.29和0.02。在Ta-Feng数据集上,TL-PPR模型的各项召回率分别为0.19、0.67和0.07,而Personal Top-Frequency模型的对应数值为0.18、0.80和0.03。通过配对自举检验可以确认,相比Personal Top-Frequency模型,TL-PPR模型在探索性推荐方面表现更优,不过在重复购买方面的表现仍优于传统基准模型。总体而言,这些研究结果表明,在评估食品杂货推荐系统时,应从重复购买和探索新商品这两个角度分别进行考量,而不能仅依据整体准确率来判断,尤其是当商品发现也是重要目标时。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号