Introduction
互补商品推荐（Complementary Product Recommendataion, CPR），i2i问题。输入的query是一个item，目标是召回尽可能多种类的互补商品（例如手机和手机壳，羽毛球拍和羽毛球）。
难点：
- 互补关系是非对称关系，例如，手机壳->手机是正确的，但是手机->手机壳是错误的。并且互补关系不等于相似，通过常见的相似度量是不能得到互补关系的
- 多样性：互补的推荐里面需要考虑多样性
- 冷启动：推荐的常见问题，低资源的item效果差
之前的方法（矩阵分解/协同过滤/神经网络等）大多数是基于相似度的，无法解决这个问题。专门做互补商品推荐的工作有两个，Sceptre(KDD'15), PMSC(WSDM'18)。这两个工作都存在两个问题：
- 分别使用co-view和co-purchase数据作为判断相似商品和互补商品的依据，但是实际上co-view和co-purchase是有重合的，不同的类目重合度不一样
- 只在一个大类内部做推荐（例如电子/母婴），但是事实上互补的商品经常会跨类目。
Contribution：
- 提出了一种新的构建互补数据的模式
- 提出了一个新的模型 P-companion，可以生成多样化的互补商品推荐，并且可以处理冷启动的问题
- 效果：hit@10超过SOTA 7.1%
Preliminaries
Behaviour-based Product Graph (BPG)
节点：商品
属性：product catalog: title、类目、短描述等文本信息
边：
co-review: Bcv
co-purchase: Bcp
purchase-after-review: Bpv，浏览了x，最终购买了y
这里有一个疑问，co-review和co-purchase这两种边为什么是有向的？这影响了接下来构造数据的时候怎么能构造出来非对称的label
问题定义：给定BPG，给定query item i和它对应的类目 wi，给定目标互补商品的类目数k，生成互补商品集合。目标是优化co-purchase概率
Data Generating: Distant supervision label collection for CPR problem
- 修改了对互补商品的生成规则：作者观察到，co-review和co-purchase整体上有20%的重合，而且不同类目程度不同。符合人的直觉，会同时购买两件T恤，但是不会同时购买两个电视。最终的互补商品集合如下，人工评估这种方式的准确率比只用cp高了30%
- 打破了之前的类目限制：互补商品会出现跨一级类目的情况，例如，网球拍在Sports大类下面，但是网球鞋在Shoes大类下面。33%的电子商品的co-purchase类目是 home improvement 和 office product
- 最终生成的数据集：2.4kw 商品，3.5w 类目，8kw 互补关系
Model
P-Companion：E2E模型，分层多任务（预测类目&预测商品）联合训练。主要有三个部分
- Product2vec: 基于图的商品表示学习（一跳的GAT），尤其适合解决冷启动问题
- Complementary type transition: 预测互补商品的类目
- complementary item prediction: 根据query商品和目标类目，预测互补商品
1. Product2vec
整体上是一个一跳的GAT，单独训练。这里训练出来的商品向量应该会用来初始化后面2&3中的商品向量。
-
商品初始表示：3层的网络
image.png 邻域选择：根据BPG图中边的情况，把item之间的关系分成两种：相似（substitute）和互补（complementary），这两种会分别构造邻域作为正例和负例。相似（左）和互补（右）的定义：
- 训练目标：经过相似商品子图聚合后，新的商品表示应该和初始表示相似；经过互补商品子图聚合后，新的表示应该和初始表示不相似
2. Complementary Type Transition
这里就是一个比较简单的分类任务的网络，每个类目有两个向量表达，一个用来做query向量，一个用来做context向量[图片上传失败...(image-6f62bc-1616648172252)] ，这里的目的是解决前面提到的互补关系非对称的问题。
3. Complementary Item Prediction
商品向量和target互补类目向量点乘，把商品向量transfer到target互补类目空间，再计算和target item的距离。
训练数据：和Product2vec相反，相似数据作为负例，互补数据作为正例，正负例比例1:1
Joint Training：预测商品和预测类目的loss加权求和，通过α控制比重（实际取的是0.8）
inference：需要分2步进行，先预测type，然后取Top K，再预测商品
Experiment
Experiment Setup
- Dataset：构造方式见preliminaries
Baseline：
Co-purchase (CP): 直接把一起购买的商品作为CPR推荐的结果
Sceptre：根据商品的title/短描述/评论挖掘topic，然后通过LR预测substitute/complementary关系
PMSC：每个item分别有src embedding和tgt embedding两个表示，分别在query和candidate context中使用。通过神经网络分类。
JOIE：知识图谱表示学习的一个模型，会用到实体对应的type信息，这里把商品作为节点，把type改成是类目
Evaluation
目标互补type数量的实验，提升目标type数量，会同时提升多样性和hit。
人工评测：0-3分，分越高表示推荐的结果越好，评测的人越想买。这个结果说明模型推荐的结果和实际上co-purchase数据很接近
Case study: CPR on cold-start items
Online 实验
base策略：co-purchase ，orders + 0.23%, GMV+ 0.18%
Conclusion
回顾一下这篇paper对于几个challenge的解决方案：
- 互补是非对称关系，且不等于相似：1) 构造数据方式调整，提升互补关系label的准确率；2) 每个类目有query表达和context表达两种向量
- 多样性：hierarchical model，先预测type，后预测item。可以人工指定type数量
- 冷启动：通过product2vec图模型预训练商品向量
一些比较奇怪的点：
- 这篇论文里完全没有用户相关的建模，只有通过泛化的用户行为构造的BPG上的边，没有个体用户
- 对于item只用了类目&文本特征（product catalog）和边信息，完全没考虑商品自身的效率指标（例如orders等）
