Resumen Técnico: Cambios a Corto Plazo en las Intenciones de los Usuarios de Comercio Electrónico y el Ranking de Recomendación de Productos

1. Planteamiento del Problema

Los sistemas de recomendación de comercio electrónico tradicionales suelen depender de secuencias de clics históricos o características de productos de una sola modalidad. Sin embargo, el comportamiento del usuario dentro de una misma sesión es heterogéneo e involucra diversas operaciones, tales como la búsqueda, la visualización de imágenes, la lectura de reseñas, la comparación de precios y la adición de artículos al carrito. Estas interacciones indican que los intereses a corto plazo del usuario no son estáticos; pueden cambiar rápidamente de un objetivo de producto único a múltiples escenarios de consumo, incluyendo transiciones entre categorías (por ejemplo, de ropa a accesorios de viaje).

Los métodos existentes frecuentemente fallan en capturar adecuadamente:

• Transferencias entre categorías: El cambio en la intención del usuario entre distintas categorías de productos dentro de una sesión.
• Semántica multimodal: La interacción entre la apariencia visual, las reseñas de texto y las consultas de búsqueda.
• Transiciones de estado: La evolución de la intención del usuario desde la navegación hasta la preparación para la compra o el abandono.

En consecuencia, el ranking de productos candidatos suele fallar en alinearse con la fase actual de toma de decisiones del usuario, lo que conduce a un rendimiento de recomendación subóptimo, particularmente para artículos de baja frecuencia y escenarios de categorías cruzadas.

2. Metodología

El artículo propone un Modelo de Ranking de Recomendación Consciente del Estado Multimodal diseñado para el comercio electrónico transfronterizo. La metodología se basa en el conjunto de datos CEMR-42M, que contiene 468,320 usuarios, 126,480 SKUs y más de 42 millones de registros de interacción.

2.1 Representación de Datos y Definición de Estado

• Modelado de Sesión: Las sesiones se segmentan basadas en el tiempo de evento y límites de inactividad. Cada evento de sesión se representa como un vector conjunto $\eta_l$ que concatena el tipo de comportamiento, características de imagen del producto, características de texto de reseñas, características de términos de búsqueda, atributos del producto e intervalos de tiempo.
• Seis Estados Operativos: Las intenciones a corto plazo del usuario se discretizan en seis estados observables derivados de los registros de la plataforma:
  1. Exploración de Navegación: Clics de alta frecuencia y visualización de imágenes.
  2. Comparación de Precios: Lectura de reseñas y cambio a productos similares.
  3. Migración de Categoría Cruzada: Desencadenada por un aumento en la distancia de categoría o cambios en los términos de búsqueda.
  4. Preparación de Compra: Favoritos, adición al carrito y comparación concentrada.
  5. Compra Repetida: Re-visitas a SKUs similares basadas en el historial.
  6. Abandono: Inactividad prolongada o terminación de la sesión sin conversión.

2.2 Arquitectura del Modelo

El modelo consta de cuatro componentes principales:

1. Codificación de Secuencia de Comportamiento de Múltiples Tipos:

   • Las categorías de comportamiento se mapean a identificadores discretos y se combinan con el ID del producto, categoría, intervalos de tiempo e información del dispositivo.
   • La unidad de entrenamiento es una muestra de prefijo de sesión: el prefijo hasta el evento $t$ sirve como entrada, mientras que el siguiente evento proporciona la supervisión del clic. Los estados futuros en $t+3, t+5$ y $t+10$ sirven como etiquetas de transición de múltiples pasos.
   • Se retiene una ventana de 20 eventos; las sesiones más cortas se completan con relleno (padding) y las más largas se truncan para preservar el contexto reciente.

2. Extracción y Fusión de Características Multimodales:

   • Codificador Visual: Extrae características de color, estilo, forma y escena.
   • Codificador de Texto: Extrae semántica de tamaño, calidad, logística y experiencia del usuario de las reseñas.
   • Codificador de Búsqueda: Captura las necesidades inmediatas del usuario.
   • Fusión de Puerta Enmascarada (Masked Gated Fusion): Para manejar modalidades faltantes (por ejemplo, productos sin imágenes), un mecanismo de fusión de puerta enmascarada genera una representación conjunta del producto $z_i$. Este utiliza parámetros de puerta aprendibles para ponderar las modalidades disponibles (imagen, reseña, búsqueda, atributos), asegurando la robustez contra la falta de datos.

3. Predicción del Estado de Intención a Corto Plazo:

   • Un clasificador de estado de múltiples pasos predice la distribución de probabilidad de los seis estados para los próximos 3, 5 y 10 pasos de interacción ($\hat{\pi}^{(d)}$).
   • Esto permite al modelo distinguir entre preferencias de clic instantáneas y tendencias de compra retardadas, reduciendo la interferencia de las fluctuaciones aleatorias de clics.

4. Mecanismo de Ranking Consciente del Estado:

   • El puntaje de ranking final $\hat{r}_{\kappa,q}$ se calcula concatenando el vector de contexto de la sesión, la representación multimodal del producto y las distribuciones de probabilidad de estado predichas para 3, 5 y 10 pasos.
   • Este mecanismo re-clasifica los candidatos no solo basados en la similitud, sino en la fase de decisión predicha del usuario y las tendencias de transición futura.

2.3 Objetivo de Entrenamiento

Se emplea un enfoque de Aprendizaje Conjunto de Tareas Múltiples para equilibrar cuatro tareas simultáneamente:

1. Predicción del siguiente clic (Entropía Cruzada Binaria).
2. Clasificación de candidatos (Pérdida de Clasificación por Pares/Pairwise Ranking Loss).
3. Reconocimiento de la intención actual (Entropía Cruzada).
4. Predicción de la transición de estado futuro (Entropía Cruzada para 3, 5 y 10 pasos).

La función de pérdida total $\mathcal{L}$ es una suma ponderada de estas tareas más la regularización L2, evitando que el modelo sea dominado por una sola señal (por ejemplo, el ruido de los clics).

3. Contribuciones Clave

• Modelado Consciente del Estado: Modela explícitamente las intenciones a corto plazo del usuario como una secuencia de seis estados operativos en lugar de una secuencia plana de clics, permitiendo capturar transiciones complejas como la migración de categoría cruzada.
• Integración Multimodal: Desarrolla un mecanismo de fusión robusto que integra comportamiento, imágenes, reseñas y consultas de búsqueda, abordando específicamente el problema de las modalidades faltantes (por ejemplo, SKUs sin imagen) mediante el uso de puertas enmascaradas.
• Predicción de Horizonte de Múltiples Pasos: Predice distribuciones de estado sobre múltiples horizontes futuros (3, 5, 10 pasos), permitiendo que el sistema de ranking anticipe las necesidades del usuario más allá del siguiente clic inmediato.
• Conjunto de Datos a Gran Escala: Introduce el conjunto de datos CEMR-42M, un conjunto de datos de comercio electrónico transfronterizo multimodal a gran escala con anotaciones detalladas a nivel de sesión.

4. Resultados Experimentales

El modelo, llamado MISTRec, fue evaluado frente a modelos base incluyendo Wide & Deep, DIN, DIEN, SASRec, BERT4Rec, MMRec y CLIP4Rec.

• Predicción del Siguiente Clic: MISTRec alcanzó un AUC de 0.8219 y un LogLoss de 0.3748, superando al mejor modelo base (CLIP4Rec) por 0.0034 en AUC.
• Recomendación Top-K:
  • NDCG@10: 0.4317 (0.0158 superior a BERT4Rec).
  • Recall@10: 0.2865 (0.0191 superior a SASRec).
• Predicción del Estado de Intención:
  • F1-Intento: 0.7426.
  • Precisión de Transición de Estado: 0.7189.
  • La precisión de la predicción disminuyó con la longitud del horizonte (0.7462 para 3 pasos, 0.6890 para 10 pasos), reflejando el decaimiento natural de la predictibilidad de la intención.
• Rendimiento en Categoría Cruzada y Baja Frecuencia:
  • Recall de Categoría Cruzada: 0.2736, superando significativamente a SASRec (0.2145).
  • Recall de Ítem de Baja Frecuencia @10: 0.2387, mostrando un manejo mejorado de ítems con interacciones dispersas.
• Eficiencia: La latencia promedio de inferencia es de 38.2 ms con un P95 de 45.7 ms en un conjunto de candidatos de 200, adecuado para el re-ranking en línea.

Los Estudios de Ablación confirmaron que eliminar el módulo de predicción de estado causó una caída significativa en el NDCG@10 (de 0.4317 a 0.4176), validando la importancia del re-ranking consciente del estado.

5. Significado y Limitaciones

El artículo afirma que el modelado explícito de las transiciones de estado a corto plazo mejora significamente la robustez del ranking, particularmente en escenarios donde los usuarios cambian frecuentemente entre categorías (por ejemplo, ropa, belleza, exterior, 3C, viajes). La integración de datos multimodales permite al sistema vincular candidatos de diferentes categorías basándose en escenarios de búsqueda o estilos visuales similares, incluso cuando la co-ocurrencia histórica de clics está ausente.

Declaraciones Modestas y Limitaciones:
Los autores reconocen explícitamente varias limitaciones y supuestos de modelado:

• Supervisión Débil: Los seis estados de intención son etiquetas operativas derivadas de registros, no estados psicológicos observados directamente.
• Supuestos de Ingeniería: El muestreo de prefijo de sesión y la ventana de 20 eventos son elecciones de ingeniería para equilibrar la preservación de la señal y la reducción de ruido.
• Alcance de la Evaluación: La evaluación de ítems de baja frecuencia prueba ítems con historial disperso (1-4 interacciones) en lugar de un arranque en frío (cold-start) estricto (cero interacciones).
• Fuera de Línea vs. En Línea: Las métricas fuera de línea no capturan completamente las interrupciones del usuario, el feedback retardado o el sesgo de exposición en línea.

El trabajo futuro sugerido por los autores incluye explorar pruebas de ítems no vistos, identificación causal de la transición de estado, codificación multimodal ligera, y pruebas A/B en línea.