购物场景下用户偏好建模研究

In the shopping scene, modeling user preference is an important task for intelligent recommendation. A better understanding of user preference can help retailers make market analysis, adjust marketing strategy, and provide personalized recommendations. However, the complexity of shopping scenes challenges user preference modeling, including the incompleteness of user demographic characteristics, the evolution of shopping behavior, and the heterogeneity of shopping contexts. Based on both the online and offline user purchase history, this topic intends to infer user demographic attributes by utilizing multi-task method; propose a time series modeling strategy to model the dynamics of user preferences; and design knowledge base representation learning approach to embed heterogeneous entities for modeling user preference. The research of this topic can help to solve the modeling problem of user preferences under the shopping scene, and promote the more effective use of the recommendation system.

在购物场景中，用户购物偏好的建模是实现智能推荐的基础。准确描述用户的偏好对于改善消费者的购物体验，提升商家的市场竞争力具有重要的意义。然而购物场景的特殊性，包括购物领域内用户属性的不完整性、购物行为的演化性、以及购物情景的复杂性等，使得传统的推荐技术在该领域内的应用面临着巨大的挑战。针对上述问题，本课题拟以线上和线下的用户购物历史数据为基本资源，以购物推荐为基本应用场景，研究基于多任务学习的用户属性推断方法、基于时序信息的用户动态偏好建模方法、基于上下文感知的智能融合方法来解决上述问题。本课题的研究，能够帮助解决购物场景下用户偏好的建模问题，推动推荐系统在购物场景获得更为有效的使用。

在购物场景中，用户购物偏好的建模是实现智能推荐的基础。通过挖掘用户的购物需求，分析用户的历史行为建模用户的兴趣，帮助用户发现对自己有价值的信息，让信息能够展现在对它感兴趣的用户面前，实现信息消费者和信息生产者的双赢，从而对推动社会经济的发展。本课题拟以线上和线下的用户购物历史数据为基本资源，以购物推荐为基本应用场景，研究基于多任务学习的用户属性推断方法、基于时序信息的用户动态偏好建模方法、基于上下文感知的智能融合方法来解决上述问题。.在成果方面，依托本课题，本人累计以一作/通讯作者身份，在推荐领域发表CCF-A/CCF-B论文8篇，专利4个，受邀在国内/国际论坛会议进行报告累计8次。分别和阿里、百度合作，获得KDD CUP2021大规模节点分类赛道世界亚军，SIGIR ECOM2021商品推荐赛道世界季军。联合人民大学、华东师范大学团队开发了基于PyTorch的推荐系统开源库RecBole。从学术、应用等多个角度，积极推动了该领域的发展。