软件学报

作者：邵英玮，张敏，马为之，王晨阳，刘奕群，马少平

单位：邵英玮，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10008411,张敏，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10008402,马为之，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10008403,王晨阳，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10008404,刘奕群，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10008405,马少平，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10008406

关键词：推荐系统;表示学习;商品关系;计算经济学

基金：国家自然科学基金（61672311，61532011）；国家重点研发计划（2018YFC0831900）

结合领域内知识的个性化推荐算法在近年来受到了广泛关注，许多研究工作尝试将商品之间的关系（如互补关系等）融入到推荐算法中.对于商家而言，了解商品互补的关系能够帮助他们更好地制定定价策略；对于推荐算法而言，结合商品关系的推荐也更有可能生成令人满意的结果，因此，如何挖掘商品间的互补关系是一个很有意义的研究问题.现有方法大多从用户历史中的"共同购买"发掘商品的互补关系，但是由于真实的购买场景非常复杂，得到的很可能仅仅是共现关系而不是互补关系.借鉴经济学的相关研究，提出了商品潜在互补性发现推荐模型（latent complementarity discovery model，简称LCDM），试图从另一角度更准确地刻画商品间关系.首先，基于经济学理论中的需求交叉弹性（cross-price elasticity of demand），提出互补性发现模型（complementarity discovery model，简称CDM）联合商品价格与购买历史来挖掘商品间的互补关系.在用户标注任务中，所提算法较已有方法在用户标注的一致性上提升了10.6%.随后，基于此提出了融合商品互补关系的双重注意力机制推荐模型LCDM.最后，在真实数据集上的对比实验结果表明，提出的LCDM推荐模型能够显著改善推荐的效果，在Recall@5和NDCG@5上分别有54.5%和125.8%的提升，验证了所提方法的有效性.

来源：2020年第4期

《软件学报》期刊编辑部

查看软件学报杂志2020年第4期