论文地址：arxiv.org/pdf/2408.12152v1
项目地址：GitHub - rookitkitlee/BPMR
基于行为模式挖掘的多行为推荐：论文提出了一种新颖的多行为推荐算法（BPMR），旨在通过分析用户和项目之间的复杂交互模式来提高推荐系统的有效性。这种方法特别关注于用户除了购买之外的其他行为，例如页面浏览和收藏等辅助行为，这些行为可以提供更丰富的用户交互数据，帮助更准确地捕捉用户偏好。
摘要（Abstract）
- 论文介绍了一种新的多行为推荐系统算法，称为BPMR（Behavior Pattern Mining-based Multi-behavior Recommendation），它通过利用辅助行为（如页面浏览和收藏）来增强推荐效果，解决了传统模型仅依赖于稀疏目标行为（如购买）的局限性。
- BPMR算法通过挖掘用户和项目之间的多样化交互模式，并将这些模式作为特征用于推荐。
- 采用贝叶斯方法简化推荐过程，有效避免了图神经网络算法中的过平滑问题。
- 实验评估表明，BPMR在三个真实世界数据集上显著优于现有的最先进算法。
引言（Introduction）
- 推荐系统通过准确预测个体化用户偏好来解决信息过载问题。
- 传统推荐方法主要关注单一用户行为，但在实际应用中，这些单一行为模型因数据稀疏性面临挑战。
- 多行为推荐系统不仅考虑目标行为，还包括一系列辅助行为，以更准确地捕捉用户偏好。
预备知识（Preliminaries）
- 定义了多行为推荐系统中的用户和项目集合，以及用户和项目之间的行为集合。
- 描述了多行为推荐任务的输入和输出。
方法论（Methodology）
3.1 行为模式挖掘（Behavior Pattern Mining）
- 目的是发现用户和项目之间的行为模式。
- 通过分析电子商务平台中用户和项目在不同行为下的潜在交互，提取了四种关键的用户-项目行为模式：
- 页面浏览共享兴趣
- 直接初步购买意图
- 通过购物车行为增强兴趣相似性
- 通过多次购物车行为加强购买意图
3.2 基于行为模式的推荐（Behavior Pattern-based Recommendation）
- 利用观察到的用户和项目之间的行为模式作为预测模型的特征。
- 将多行为推荐任务转化为基于模式的预测任务。
- 使用贝叶斯方法计算标签1和标签0之间的比例，然后根据这个比例对用户的候选项目进行排序，生成推荐列表。
实验（Experiments）
- 在三个公共数据集上进行实验：Beibei、Taobao和IJCAI-Contest。
- 实验结果表明，BPMR在Recall@K和NDCG@K两个排名指标上都显著优于基线模型。
结论（Conclusions）
- 提出了一种基于行为模式挖掘的多行为推荐算法BPMR，使用贝叶斯方法进行推荐，克服了图神经网络在描述特定行为模式和用户偏好方面的不足。