提升互补商品推荐的深度学习新方法

电子商务平台常通过推荐互补商品来提升用户体验，例如为网球拍推荐网球，或为相机推荐存储卡。在某机构与加州大学洛杉矶分校合作提出的新型互补商品推荐（CPR）方法中，测试显示其推荐准确率比现有方法高出7%。这一提升主要来自三个关键策略：

1. 优化训练数据选择
   仅使用共同购买（co-purchase）数据训练模型，避免将相似商品误判为互补商品。用户研究表明，纯共同购买商品对的互补性评分比其他混合关系商品对高30%。

2. 增强推荐多样性
   通过"类型转换网络"架构，确保推荐结果覆盖不同类别的互补商品（如网球、吸汗带和握把胶），而非同类商品的不同品牌。

3. 处理不对称性问题
   采用商品嵌入技术Product2vec，通过商品属性而非ID构建多维空间表示。该技术基于商品视图关系（而非购买关系）训练，能有效解决新商品冷启动问题。

技术实现细节

• 数据表示
  Product2vec将商品表示为图结构节点（含类别/类型/图像等属性），边表示商品间关系（如共同浏览/购买）。

• 模型架构
  输入商品嵌入向量经类型转换网络生成互补商品类型向量，再与原始商品向量拼接后输入预测模块。端到端训练确保类型多样性直接关联最终推荐质量。

实验在电子产品和杂货两类数据集上进行，新方法在Top1/Top3/Top10推荐准确率上均优于基线模型。该方法已发表于CIKM 2020会议，论文题为《P-Companion: A principled framework for diversified complementary product recommendation》。