固化还是探索？一种面向属性感知会话推荐的状态依赖双解码器方法

《Information & Management》：Fixation or exploration? A state-dependent dual decoder approach to attribute-aware session-based recommendations

　　

基于会话的推荐（SBRs）在减轻电子商务平台上的用户信息过载、提高销售额和收入方面发挥着关键作用。理解用户的行为模式和细粒度偏好对于开发有效的SBRs至关重要。借鉴消费者行为文献的见解，我们考察了两种关键行为状态——固定状态和探索状态——它们刻画了用户在评估产品属性时截然不同的行为模式。具体来说，固定状态反映了用户倾向于与过去选择保持一致的行为倾向，而探索状态则捕捉了用户寻求多样化和新颖选项的倾向。在方法上，我们提出了一种新颖的属性感知基于会话的推荐方法，能够区分固定状态和探索状态，称为ASR-FE。我们的方法包含三个新颖组件：(1) 一种时间加权序列方差机制，用于识别每个属性序列中用户的固定和探索状态；以及两个异构解码器——(2) 固定状态解码器和 (3) 探索状态解码器——以基于相应状态预测用户的属性偏好。在两个真实世界数据集上的大量实验表明，整合固定和探索状态不仅提高了推荐准确率，还增强了模型的可解释性，为电子商务平台带来了重要启示。

引言
电子商务已成为日常消费不可分割的一部分，为用户提供丰富的产品选择。然而，海量选项也增加了决策复杂性，使用户难以找到理想产品并做出明智的购买决定[1]。为应对这一挑战，个性化推荐系统应运而生，通过推荐符合用户偏好的产品来促进决策过程[2]-[5]。近年来，基于会话的推荐（SBRs）在电子商务平台上日益流行，得益于其在捕捉用户短期和动态偏好以提供及时准确推荐方面的优势[6]。SBRs旨在基于会话数据预测用户最可能购买或交互的下一个商品，其中会话定义为一时间段内用户交互（如点击）的序列[6]。这种交互行为生动地反映了用户从初步考虑、方案比较到最终购买的决策过程[7]、[8]。因此，有效捕捉会话内的序列模式对于理解用户决策过程、捕捉偏好动态以及实现准确推荐至关重要。

现有的SBR方法主要关注捕捉商品级序列模式以实现下一商品推荐。近年来，借助深度学习技术，SBR取得了显著进展，如循环神经网络[9]、[10]、注意力机制[11]和图神经网络[12]。然而，这些仅依赖商品序列的SBR方法可能产生不准确推荐，主要原因在于商品级数据的稀疏性[13]和语义信息的缺乏[14]。因此，研究人员努力整合属性信息以进一步提高推荐准确率，催生了一系列属性感知SBRs[15]-[17]。一类研究将属性信息整合以丰富商品级序列表示的语义，例如通过拼接属性嵌入与商品嵌入[18]或将属性融入注意力机制[19]。另一类研究认识到捕捉属性级序列模式的重要性，并据此推导出商品和属性两个层级的序列表示。例如，一种直接的方法是适配现有序列表示架构（如循环神经网络和自注意力机制）来生成属性序列表示[15]、[17]。尽管在开发捕捉属性级序列模式的先进技术方面关注日益增加，但现有方法在很大程度上忽视了用户属性级交互背后的固定和探索状态，导致对用户决策过程的不完整理解，进而导致推荐效果欠佳。

消费者行为文献的大量研究表明，用户在评估产品属性时往往处于固定或探索状态[20]-[22]。具体而言，固定状态反映了对一致属性选择的行为倾向，而探索状态则反映了对多样化新颖属性选择倾向。这两种状态源于用户对属性偏好不同程度的不确定性。具体而言，明确的属性偏好导致固定状态，此时用户倾向于与过去选择保持一致以重申其偏好[22]。相反，不确定的属性偏好导致探索状态，此时用户积极探索各种选项以构建和确定其偏好[20]、[23]。因此，这两种状态驱使用户表现出不同的交互行为：固定状态驱使用户重复选择具有相似属性值的产品[21]、[24]，而探索状态则导致在不同选项间寻求多样性的行为[20]、[25]。图1说明了一个用户意图购买T恤的场景。具体而言，用户始终选择标记为“圆领”的商品，这表明处于固定状态，对领口样式有明确偏好。相反，用户在不同颜色上的多样性寻求行为表明处于由颜色偏好不确定驱动的探索状态。因此，由于偏好不确定性的程度不同，用户在不同属性上表现出固定或探索状态，导致其交互行为中出现不同的序列模式。

将固定和探索状态整合到属性感知SBRs中提供了一种有前景的途径，以理解用户行为模式并增强模型的推荐准确率和可解释性。首先，仅专注于建模特定行为的现有属性感知SBRs往往难以应对用户表现出的高度异质属性序列[7]。例如，用户可能在颜色属性上表现出多样化的序列，如“棕色→蓝色→粉色→黄色”和“橙色→红色→紫色”，每个涉及不同的颜色值和序列顺序。这对SBRs做出准确预测构成了重大挑战，因为推理时遇到的属性序列可能与训练时观察到的序列大相径庭。当同时处理多个属性序列时，这一问题进一步加剧。然而，这些异质序列可能共享一种共同的底层固定或探索状态，这提供了可由SBRs利用的可推广模式，以缩小属性值搜索空间并准确推断用户属性偏好。例如，上述两个序列很可能均由探索状态驱动，因此推荐较少交互的属性值（如“白色”）将是有益的。其次，大多数现有属性感知SBRs是黑盒模型，缺乏对其底层推荐机制的可解释性，这可能会阻碍用户对推荐系统的接受度和信任度[26]、[27]。相反，通过从消费者行为文献中汲取有价值的见解，我们可以揭示用户属性级交互背后的固定和探索状态，从而带来更具可解释性的推荐。以图1为例，我们不仅可以从特定属性的角度解释为什么推荐某件商品（例如，我们推荐T恤005是因为它有“圆领”），还可以揭示与该属性相关的底层固定或探索状态（例如，我们推荐“圆领”是因为用户可能对其有固定偏好）。基于这些好处，本研究专注于区分每个属性的固定和探索状态，以增强属性感知SBRs的性能。

然而，将固定和探索状态纳入SBRs面临两个技术挑战。首先，这两种状态在会话数据中是潜在且不可观察的。因此，识别用户的固定和探索状态并非易事，特别是考虑到这些状态在多个属性上的异质性。其次，固定和探索状态导致截然不同的属性值选择。具体而言，固定状态导致用户重复先前交互的属性值，而探索状态则促使偏离历史选项。因此，通过现有同质解码器结构[13]、[15]预测这些分歧偏好可能不够充分。为应对这些技术挑战，我们提出了一种新颖的属性感知基于会话的推荐方法，能够区分固定和探索状态，称为ASR-FE。针对第一个挑战，我们通过引入一种新颖的时间加权序列方差机制来设计状态推断模块，以自动识别每个属性中用户的固定和探索状态。针对第二个挑战，我们开发了双解码器结构，每个都配有阈值调整机制，以在不同状态下缩小属性值搜索空间。具体而言，固定状态解码器专注于捕捉重复模式以满足用户的固定属性偏好，而探索状态解码器则通过提供新颖且相关的选项来鼓励探索，以确定其偏好。

总之，我们的研究做出以下重要贡献：
• 在概念上，我们的研究通过考虑固定和探索状态为区分属性级序列模式引入了新颖视角。基于消费者行为文献的见解[20]-[22]，我们的研究揭示固定和探索状态提供了对用户行为模式的更深层次理解，强调了将这两种状态整合到推荐系统设计中的重要性。
• 在方法上，我们的研究通过提出一种创新的属性感知SBR方法，能够区分固定和探索状态，命名为ASR-FE，推进了信息系统（IS）领域的设计科学研究[28]。该方法整合了三个新颖组件——状态推断模块和两个异构解码器——将消费者行为文献的见解作为归纳偏置融入模型架构。
• 在实证上，在两个公开电子商务数据集上的大量评估表明，与最先进的SBRs相比，我们的方法具有更优越的推荐准确率。案例研究通过揭示不同属性相关的底层固定和探索状态，展示了我们方法的可解释性。鉴于其优越的推荐准确率和可解释的推荐机制，我们的方法可应用于在电子商务平台上提供推荐，展现出提升电子商务销售额和简化用户决策过程的显著潜力。

本文其余部分组织如下。第2节回顾推荐系统和属性感知SBRs的文献、固定和探索状态概念以及新颖性整合推荐系统。第3节介绍问题形式化。第4节详述所提出的ASR-FE方法。第5节报告实证实验并讨论结果。最后，第6节总结全文并指出未来研究方向。

相关工作
三条研究路线与我们的研究密切相关：(1) 推荐系统和属性感知SBRs，(2) 固定和探索状态概念，以及(3) 新颖性整合推荐系统。本节回顾每条路线的代表性研究，并突出我们研究的关键创新点。

问题形式化
本节首先介绍基本概念，然后形式化多属性SBR问题。设I={1,2,…,|I|}为|I|个商品的集合。会话中与商品的观测交互记录为商品序列（定义1）。

定义1 商品序列是用户在会话期间交互的商品的时序列表。形式上，商品序列表示为s=〈i?1?,…,i???,…,i???〉，其中i???∈I是第t个交互商品，T是序列长度。我们用s?表示

方法
本节介绍我们新颖的ASR-FE方法。图2展示了整体架构，包含五个主要组件。具体而言，序列编码器将商品序列s和每个属性序列q?（k=1,2,…,K）转换为相应的序列表示。为了识别用户在评估特定属性时的行为状态，我们设计状态推断组件来估计处于固定或探索状态的概率。然后，我们

实证评估
本节首先描述数据集并报告评估程序。然后通过与基线方法的比较和消融实验展示我们方法的性能。此外，我们进行敏感性分析以检验超参数的影响。最后，提供可解释性分析以揭示我们模型的推荐机制。

结论与未来工作
鉴于电子商务在日常消费中的重要性和普遍存在的信息过载挑战，开发有效的SBRs以推荐符合用户偏好的产品对于简化其决策过程和促进平台销售至关重要。在本研究中，我们专注于通过整合固定和探索状态来捕捉不同属性上的不同行为模式，从而推进属性感知SBRs。借鉴消费者行为文献的见解，

作者贡献声明
华彤崇：原创草稿撰写、方法论、调查、概念化。倪雷：原创草稿撰写、可视化、方法论、调查、概念化。何江宁：原创草稿撰写、资源、项目管理、方法论、资金获取、概念化。

生成式AI和AI辅助技术在写作过程中的声明
在准备本工作期间，作者使用ChatGPT改进了手稿的可读性和语言。

在使用本工具后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。

竞争性利益声明

作者声明，他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能被认为影响了本论文报告的工作。

致谢

崇华通和倪雷作为共同第一作者对本工作作出了同等贡献。何江宁是本工作的通讯作者。本研究得到国家自然科学基金（项目编号：72001128）的资助。

崇华通是上海财经大学信息管理与工程学院的博士研究生，他曾在上海财经大学获得信息管理与信息系统学士学位。他的研究重点在于开发用于商业决策支持的计算方法，并应用于智能选址和推荐系统领域。

崇华通|倪雷|何江宁