基于图神经网络的拼团推荐

作者：张钧 电子系 高宸 电子系 （黑体小四 两端对齐）

指导老师：李勇 电子系 （黑体小四 两端对齐）

关键词：拼团推荐、图神经网络、社交网络

摘要

“拼团”作为社交电子商务网站（如拼多多）中一种新兴的商业形式，最近取得了巨大的成功。拼团推荐，即在“拼团”场景中为用户推荐商品列表，在拼团成功率和销量中起着重要作用。但是，为“拼团”设计个性化推荐模型是一个全新的问题，很少探讨。在该项目中，我们开发了GBGCN模型。考虑到存在复杂的用户行为和社交网络数据，我们首先提出构造有向异构图来表示行为数据和社交网络。然后，我们开发了具有多视图嵌入传播的图神经网络模型，该模型可从复杂的高阶图结构中学习嵌入。最后，由于失败的团购意味着发起者和参与者的偏好丰富，我们设计了双对损失函数来提取此类偏好信号。我们收集了现实世界中的团购数据集，并进行了实验证明GBGCN的先进性。

作品背景

“拼团”作为社交电子商务网站中一种新兴的购买形式，在近年来取得了巨大的成功，如拼多多。在这种新兴的业务模型中，用户可以以团购发起者的身份发起一个拼团，并向其社交网络分享这一商品，当有足够数量的朋友以参与者的身份加入这一拼团时，交易就可达成，所有参与团购的用户将以一个折扣的价格购得商品。拼团推荐，即为用户推荐一个潜在的、具有成功拼团可能的商品列表，在增加拼团成功率和提高平台销售额中起着重要的作用。但是为“拼团”这一商业模式设计个性化推荐模型是一个全新的问题，目前还没有相关的研究。

图1 拼团商业模式示意

模型设计

在本项目中，我们首次提出了这一问题，并开发了一个名为GBGCN的模型（Group-Buying Graph Convolutional Network）。考虑到拼团推荐中存在复杂多样的用户行为（包括发起拼团、分享、加入拼团等）与结构化的社交网络数据，我们首先依照已有数据构建有向异构图来表示用户行为数据与社交网络；其次，我们开发了基于图卷积神经网络的多视图词嵌入（embedding）传播过程，该过程可以从复杂的高阶图结构中抽取用户与商品在不同身份下的词嵌入表示；最后，由于失败的拼团提供了对发起者与参与者的喜好的大量信息，我们设计了基于正负样本对的多重损失函数来从此类信息中进行学习。

图2 GBGCN中的有向异构图

图3 GBGCN模型框架图

项目成果

我们从电商平台获取了真实的拼团数据，进行了大量实验以评估模型效果。实验表明，我们提出的GBGCN模型大大优于已知的其他推荐系统模型，在不同指标上的性能提升范围为2.69％-7.36％。

图4 实验结果

项目Github链接：https://github.com/Sweetnow/group-buying-recommendation