跨境电商推荐算法大赛：WSDM_Coggle_亚军方案解析

"跨境电商推荐算法大赛方案Top2的分享，由WSDM_Coggle团队提供，包括亚军方案的论文和开源代码。该竞赛关注的是如何利用跨市场的数据提高目标市场的个性化推荐效果。数据集包含多源市场(s系列)和目标市场(t系列)的用户购买和评分数据。方案采用了两阶段排名框架，首先用GNN、Item-cf、Swing等模型进行打分，然后通过GBDT结合多种特征进行最终排序。Ranking-augmented GNN进行了改进，如引入显示反馈、相邻层信息传递和正则化，提升了模型性能。此外，还尝试了其他推荐模型如LightGCN的变体，实现了约3%的NDCG@10提升。" 本文档详细介绍了2023年1月10日的一场跨境电商推荐算法大赛的优秀解决方案，其中WSDM_Coggle团队取得了亚军。他们的方案聚焦于解决跨国电子商务公司面临的跨市场推荐问题，利用从高资源市场获取的数据来改善目标市场的商品推荐。提供的数据集包含了来自多个源市场和目标市场的用户行为数据，但存在特定市场的用户偏好偏差，这为算法设计提出了挑战。 方案的核心是一个两阶段的排名框架。首先，团队运用了图神经网络（GNN）、基于物品的协同过滤（Item-cf）以及Swing模型来生成初步的评分预测。这些预测结果作为第二阶段的输入，结合统计特征、嵌入向量特征和相似性得分特征，输入到梯度提升决策树（GBDT）模型中，以生成最终的推荐排序。 在Ranking-augmented GNN部分，他们对LightGCN进行了优化，增加了显示反馈机制，考虑了不同层间的信息传递，并添加了L2正则项，这些改进显著提高了模型在NDCG@10指标上的表现，达到约3%的提升。除了Ranking-augmented GNN，团队还研究了其他推荐模型，可能包括LightGCN的变体和其他协同过滤技术，以探索更多的性能提升可能性。 这个方案展示了在处理跨市场推荐问题时，如何结合多种机器学习方法和特征工程策略来构建有效的推荐系统。对于想要了解推荐系统竞赛或者在实际项目中应用跨市场推荐策略的AI和数据科学从业者来说，这份资料及其代码实现提供了宝贵的参考。