论文地址：http://www.shichuan.org/doc/67.pdf
摘要：如今，随着移动电子商务的盛行，一种新型的推荐服务，称为意图推荐，广泛用于许多移动电子商务应用程序，例如淘宝和亚马逊。与传统查询推荐和项目不同推荐，意图推荐是根据用户的历史行为自动推荐用户意图，而无需用户打开应用程序时任何输入。在过去的两年中，用户潜在意图并避免在手机中输入繁琐的内容这一操作非常提高用户体验。工业上使用的现有方法通常需要复杂特征工程。而且，它们仅利用用户和query的属性和统计信息，而没有充分利用user和query的交互信息，这可能导致性能受限。
如今，随着移动电子商务的盛行，一种新型的推荐服务，称为意图推荐，广泛用于许多移动电子商务应用程序，例如淘宝和亚马逊。与传统查询推荐和项目不同推荐，意图推荐是根据用户的历史行为自动推荐用户意图，而无需用户打开应用程序时任何输入。在过去的两年中，用户潜在意图并避免在手机中输入繁琐的内容这一操作非常提高用户体验。工业上使用的现有方法通常需要复杂特征工程。而且，它们仅利用用户和query的属性和统计信息，而没有充分利用user和query的交互信息，这可能导致性能受限。在本文中，我们建议，对意图推荐中的复杂对象和丰富的交互信息进行建模，作为异构信息网络。此外，我们提出了一种新的用于意图的Metapath-guided嵌入方法（称为MEIRec）用于推荐。为了充分利用丰富结构信息，我们设计了以变态为导向的异构图神经网络学习意图中的对象嵌入建议。另外，为了减轻大量学习嵌入中的参数，我们提出了统一的术语嵌入机制，其中对象的嵌入由同一术语嵌入空间。真正大规模的离线实验数据显示，与传统代表性方法相比，MEIRec具有优越的性能。而且，在线结果淘宝电子商务平台上的实验表明，MEIRec不仅将点击率指标提高了1.54％，但也吸引了多达2.66％的新用户来搜索查询。
1 INTRODUCTION
随着移动互联网的发展，电子商务的重点已从个人计算机转移到智能手机，并且出现了各种移动电子商务平台。推荐系统已经被公认是电商软件的一部分，可根据用户的喜好提供个性化推荐。在过去的两年里，一本内容推荐服务（在此篇论文中称为意图推荐），在许多电子商务应用（例如淘宝和亚马逊）中都有出现，它会用户打开电子商务应用程序时自动推断用户意图（根据用户的历史记录）。首先，由于在移动设备上键入query比较困难，相比台式计算机上的意图推荐来说，可以节省用户输入的时间，这会增加用户的活动性和粘性。其次，用户可能没有明显的意图或不知道如何为了描述他们的意图，个性化的意图推荐可以帮助用户找到他们真正需要的东西。
图1展示了一个淘宝app的意图推荐场景。 根据用户的历史信息，用户打开应用程序时，系统会在搜索框中自动填充您的意图（例如，显示为“乔丹”）。 如果用户单击搜索按钮，他/她将跳到相应的项目列表页面。 在意图推荐系统中，历史信息可以大致分为两类。 第一种是属性数据，包含item的属性信息，例如用户个人资料和商品属性。 另一种类型是交互数据，包含用户，item和query之间的三重交互，例如当用户点击日志，用户搜索（查询）日志和意图推荐这个idea的日志
在本文中，我们将意图推荐定义如下：自动根据用户的历史行为为用户推荐个性化意图，而无需查询输入。在这里我们的应用场景中，意图表示为查询，包括简单地直接反映用户意图的几个单词或术语。但是，意图推荐不同于传统查询[3、14、22]。可以从下面两个方面对比 （1）根据用户行为（例如，和item、query交互信息），而不是直接拿和上一次query词类似的词。 （2）不需要用户输入部分查询。也不同于先前的研究[24]-仅考虑用户历史查询数据，意图推荐提供了一种灵活的方法，可以考虑实际系统中在各种item上的交互。它也不同于item推荐（1）我们的意图建议需要考虑三重对象（即用户，商品和查询）之间的互动，而不是用户和item之间的两者交互行为。 （2）不是静态意图，结果始终动态变化。
行业中现有的意图推荐方法，例如淘宝和亚马逊，通常会提取人工提取特征，然后将这些特征提供给分类器，例如GBDT [7]和XGBoost [4]。 这些方法严重依赖领域知识和需要辛苦的特征工程。 他们只利用属性和用户和查询的统计信息，无法充分利用对象之间丰富的交互信息。 然而，交互信息在实际系统中非常丰富，真正掌握用户意图至关重要
作为一种通用的信息建模方法，异构信息网络（HIN）[18]由多种类型的objects和links，已广泛应用于许多数据挖掘任务[10、17、18]。 在本文中，我们建议使用HIN对意图推荐系统进行建模，通过它我们可以灵活地利用其丰富的交互信息。 如图2（a）所示，很明显，HIN清楚地说明了意图推荐中的对象（例如，用户，项目和查询）及其交互关系，例如“用户点击项”，“用户搜索查询”和“query指导item”项目”。 虽然，一些基于HIN的推荐方法具有[8，19，23]被提出，它们主要通过利用用户之间的交互关系来利用基于元路径的特征。和项目，这使得它们很难处理意图推荐中的三重对象交互。
在本文中，我们提出了一种新颖的以Metapath嵌入来进行意图推荐的方法（称为MEIRec）。为了在意图推荐中充分利用丰富的交互信息，我们建议使用异构图神经网络（GNN）学习user、query的结构特征表示。具体来说，我们利用 metapath-guided邻域信息来聚合丰富的邻域信息，其中不同的聚合函数，是根据不同类型的邻域设计的。另外，为了处理在意图推荐中涉及搭配的大规模数据，考虑到query和item的标题由有限的term组成，我们设计了统一的term嵌入机制，其中user和query的嵌入是由相同的term嵌入空间组成。利用现有系统中使用的静态特征，以及从中学习的用户和查询的嵌入互动信息，我们建立了意图预测模型建议。
•我们提出了一个重要但很少开发的意图推荐问题，该问题会根据用户的历史行为进行个性化自动推荐。
•我们用GNN提出了一个新颖的MEIRec模型。 通过将意图推荐系统建模为HIN，MEIRec利用以元路径为导向的邻居来进行丰富的交互HIN中的信息。 此外，统一term嵌入机制旨在大大减少参数空间。
•基于大规模真实数据的广泛离线实验我们的MEIRec优于典型基准。我们还在淘宝电子商务上进行在线实验平台。 结果表明，我们的模型大大改善了平台考虑的关键指标。 尤其，该平台吸引了2.66％的新用户来搜索借助我们的方法推荐的查询
2 PRELIMINARIES
在本节中，我们定义了一些基础的概念
Intent Recommendation：有这样一组集合，U I Q W A B，U的取值是{u1,...,up}，代表了q个用户，I的取值是{i1,...,iq}，代表了q个item，Q的取值是{q1,...,qr}，代表了r个query，W的取值是{w1,...,wn}代表了n个term，A代表了和item的属性，B代表了用户和多个object的交互习惯，在本文中，一个 query或者item都是由若干个term组成的，内容推荐的目的是给推荐最相关的内容（eg:query）