推荐系统遇上深度学习(四十三)-考虑用户微观行为的电商推荐

在过去我们介绍的推荐方法中，特别是电商领域的推荐，其考虑的只是用户的**宏观交互行为(macro interaction)，如用户购买了xx物品，点击了xx物品。今天看到一篇不错的文章，将用户的微观行为如浏览商品的时间、对商品详情和评论的阅读等、渠道等等微观行为(micro behaviors)考虑进来，并取得了不错的实验效果。咱们来一探究竟。

论文名称：《Micro Behaviors: A New Perspective in E-commerce Recommender Systems》 论文地址：http://184pc128.csie.ntnu.edu.tw/presentation/18-03-13/Micro%20Behaviors%20A%20New%20Perspective%20in%20Ecommerce%20Recommender%20Systems.pdf

1、问题定义

我们首先来看一下，什么是宏观交互行为和微观行为：

上面的图中，宏观交互行为就是我们的一个点击序列，如iphone7->iphone 6->iphone 7 case -> samsungGalaxy。但是微观行为多种多样，比如我们搜索了iphone，看到了iphone7，点击进入商品详情页后又看了商品的描述和用户的评价，并将其加入购物车等等。同时，每种行为都有一定的停留时间。

因此，我们有如下的符号定义：

P={p1,p2,..,pN}代表N个不同的商品。 A={a1,a2,...,aM}代表M种不同的行为。 D={d1,d2,...,dK}表示将停留时间分为K档。

因此，用户的每一次行为可以表示为(pi,aj,dk)，即用户在在商品pi上有过aj行为，并花费了dk档的时间。

我们的推荐问题就变为了，基于用户的行为序列(pi,aj,dk)，来预测用户下一个可能感兴趣的物品。

2、数据分析

论文收集的信息包含以下四个方面：

Click Source：用户进入商品页的渠道，如主页、搜索页、购物车页、促销页等等。不同的渠道表明了用户不同的偏好，如用户从主页进入到商品页，用户也许只是想随便看看，但如果用户从搜索页进入到商品页，那么在一定程度上说明用户是有明确需求的。

渠道包含下面的五种，从上倒下分别是主页、类别页、促销页、购物车、搜索结果列表：

Browsing Modules：这里是说在商品页，用户浏览的主要模块，比如商品详情介绍、商品评论、规格。

模块这里分了三种，如下图，分别为商品评论、商品规格属性、一直浏览到最底部(即所有的都浏览了)：

Cart and Order:加购和下单行为。这里特别提到的一点是，产品属性不同，代表的复购可能性不同，如用户刚买了一些小吃，那么他极有可能在短时间内再买一次，但是如果刚买了一个电视机，那么他基本不会在短时间内再买一次。

停留时间：停留时间这里划分了5档，如下图：

好了，在介绍了基础的数据之后，作者进行了一定的基础分析，并用excel图表进行了展示。

这里的转化率计算如下：

可以看到，从Click Source来看，通过促销页和购物车页进入商品页，随后完成下单转化的比例最高。从Browsing Modules来看，如果用户阅读了评论、规格活着滑倒了底部的话，其转化率也会高于只浏览商品详情（这里可以简单通过对比Click Source和Browsing Modules的转化率，Click Source的平均转化率相当于所有Browsing Modules + 只浏览商品详情的平均转化率），而从购物车页面直接下单，转化率最高。

再来看停留时间的分析：

上图表明，在一定的范围内，转化率随着停留时间增加而增加，当停留时间超过了一定的范围，再提升停留时间，转化率反而开始下降。

上图表明，用户通过搜索结果页进入到商品详情页后，停留时间更长，如果通过类别页进入商品页，停留时间较短。

上图表明，停留时间越长，用户阅读商品评论和规格的概率越大，但最终滑倒底部的概率还是相对偏低的。

上图展示了商品页入口和浏览模块之间的关系，如果用户从搜索列表页进入到商品页的话，他有更高的概率阅读商品的评论和规格。

通过上面的分析，我们发现了两个主要的结论： 1）微观行为是相互关联的 2）不同的微观行为，对于转化的影响是不同的。

接下来，我们就通过模型来建模具体的微观行为。

3、推荐模型

我们的模型如下图所示：

共分为5层，输入层，embedding层，RNN层，attention层，输出层。

输入层

输入层输入的是用户的行为序列，Su={x1,x2,...,xn}，序列中每一项式商品ID、行为ID、停留时长ID的三元组，如xt=(pv,am,dk)。

Embedding 层

商品ID、行为ID、停留时长ID在Embedding层分别转换为对应的embedding，然后进行横向拼接。

RNN层

随后的RNN层，我们可以选择LSTM或者GRU，实际中LSTM和GRU效果差不多，但GRU相对于LSTM更加简单，因此选择了GRU。

attention层

attention对行为序列中的每一个时刻的RNN层的输出进行加权，计算公式如下：

输出层

模型的输出是attention层加权后的向量，采用的损失函数是交叉熵损失：