M-HetSage：多任务异构图神经网络提升电商替代产品推荐性能

"本文主要探讨了多任务异构图神经网络（M-HetSage）在电子商务领域的替代产品推荐中的应用及其性能优化。研究中，作者指出传统的推荐系统往往忽视了不同客户行为数据源的联合考虑，而M-HetSage模型能够捕获这些数据源的互补信息，以提升推荐的精准度。此外，文章还提出了一种新的损失函数——列表感知的平均精度（LaAP）损失，该损失函数能够利用替代品和非替代品之间的相关性，直接优化目标排名度量，并通过列表感知注意力机制来区分替代产品的质量。实验结果显示，M-HetSage结合LaAP损失在亚马逊数据集上的表现优于传统的HetSage模型，NDCG和mAP指标均得到了显著提升。" 在电子商务中，替代产品推荐是提高用户满意度的关键，因为它们能帮助用户发现类似但可能更适合他们需求的商品。传统的推荐系统通常只关注产品之间的关联性，而忽视了从多种客户行为数据源（如浏览历史、购买记录、搜索查询等）中获取的丰富信息。多任务GNN，特别是M-HetSage模型，通过构建异构图，将不同数据源的信息融合，从而更全面地理解产品间的替代关系。 M-HetSage模型的核心是利用图神经网络（GNN）对图中的节点（产品）和边（关系）进行信息传播和聚合。GNN允许模型学习每个节点的特征表示，同时考虑其邻居节点的影响，使得模型能够捕捉到复杂的关系结构。在多任务设置下，模型可以同时学习多个相关的推荐任务，如相似产品发现和用户兴趣建模，从而提高整体推荐效果。 LaAP损失函数是针对推荐任务的排名指标进行优化的创新尝试。传统的Triplet损失主要关注单个样本的正负样本对比，而LaAP损失则更进一步，考虑了整个列表的上下文信息，尤其是替代品和非替代品的相对位置。通过这种列表感知的注意力机制，模型能够更好地评估和优化推荐列表的质量，从而提供更优质的替代产品推荐。 在亚马逊的实际数据集上进行的实验验证了M-HetSage模型和LaAP损失的有效性。相比于只使用Triplet损失的HetSage模型，M-HetSage在NDCG（ Normalized Discounted Cumulative Gain）和mAP（mean Average Precision）这两个评价指标上有超过33%的显著提升，表明了模型在处理多样化客户行为数据时的优越性能。 这篇论文为电子商务推荐系统的研究提供了新的视角，即如何通过多任务GNN模型和创新的损失函数来提升替代产品推荐的准确性和用户体验。这种方法不仅有助于提高推荐系统的性能，还可能促进未来在个性化推荐、交叉销售和用户行为分析等领域的发展。