Résumé Technique : Changements à Court Terme des Intentions des Utilisateurs d'E-Commerce et Classement de Recommandation de Produits

1. Énoncé du Problème

Les systèmes de recommandation traditionnels de l'e-commerce reposent souvent sur des séquences de clics historiques ou sur les caractéristiques d'articles à modalité unique. Cependant, le comportement de l'utilisateur au sein d'une même session est hétérogène, impliquant diverses opérations telles que la recherche, la consultation d'images, la lecture d'avis, la comparaison de prix et l'ajout d'articles au panier. Ces interactions indiquent que les intérêts à court terme de l'utilisateur ne sont pas statiques ; ils peuvent passer rapidement d'une cible de produit unique à de multiples scénarios de consommation, incluant des transitions entre catégories (par exemple, passer de l'habillement aux accessoires de voyage).

Les méthodes existantes échouent fréquemment à capturer de manière adéquate :

• Les transferts entre catégories : Le changement d'intention de l'utilisateur entre des catégories de produits distinctes au cours d'une session.
• La sémantique multimodale : L'interaction entre l'apparence visuelle, les avis textuels et les requêtes de recherche.
• Les transitions d'état : L'évolution de l'intention de l'utilisateur, passant de la navigation à la préparation de l'achat ou à l'abandon.

Par conséquent, le classement des produits candidats ne parvient souvent pas à s'aligner sur la phase de décision actuelle de l'utilisateur, ce qui entraîne des performances de recommandation sous-optimales, particulièrement pour les articles à faible fréquence et les scénarios inter-catégories.

2. Méthodologie

L'article propose un Modèle de Classement de Recommandation Multimodal Sensible à l'État conçu pour l'e-commerce transfrontalier. La méthodologie repose sur le jeu de données CEMR-42M, qui contient 468 320 utilisateurs, 126 480 SKU et plus de 42 millions d'enregistrements d'interactions.

2.1 Représentation des Données et Définition des États

• Modélisation de Session : Les sessions sont segmentées en fonction du temps des événements et des limites d'inactivité. Chaque événement de session est représenté par un vecteur conjoint $\eta_l$ concaténant le type de comportement, les caractéristiques d'image du produit, les caractéristiques de texte des avis, les termes de recherche, les attributs du produit et les intervalles de temps.
• Six États Opérationnels : Les intentions à court terme des utilisateurs sont discrétisées en six états observables dérivés des journaux de la plateforme :
  1. Exploration par Navigation : Clics à haute fréquence et consultation d'images.
  2. Comparaison de Prix : Lecture d'avis et passage à des produits similaires.
  3. Migration Inter-Catégories : Déclenchée par une augmentation de la distance entre catégories ou des changements dans les termes de recherche.
  4. Préparation de l'Achat : Ajout aux favoris, ajout au panier et comparaison concentrée.
  5. Réachat : Visites répétées de SKU similaires basées sur l'historique.
  6. Abandon : Inactivité prolongée ou fin de session sans conversion.

2.2 Architecture du Modèle

Le modèle se compose de quatre composants principaux :

1. Encodage de Séquence de Comportement Multi-Type :

   • Les catégories de comportement sont mappées vers des identifiants discrets et combinées avec l'ID du produit, la catégorie, les intervalles de temps et les informations sur l'appareil.
   • L'unité d'entraînement est un échantillon de préfixe de session : le préfixe jusqu'à l'événement $t$ sert d'entrée, tandis que l'événement suivant fournit la supervision du clic. Les états futurs à $t+3, t+5$ et $t+10$ servent d'étiquettes de transition multi-étapes.
   • Une fenêtre de 20 événements est conservée ; les sessions plus courtes sont complétées (padding) et les plus longues sont tronquées pour préserver le contexte récent.

2. Extraction et Fusion de Caractéristiques Multimodales :

   • Encodeur Visuel : Extrait les caractéristiques de couleur, de style, de forme et de scène.
   • Encodeur Textuel : Extrait la taille, la qualité, la logistique et la sémantique de l'expérience utilisateur à partir des avis.
   • Encodeur de Recherche : Capture les besoins immédiats de l'utilisateur.
   • Fusion à Porte Masquée (Masked Gated Fusion) : Pour gérer les modalités manquantes (ex: produits sans images), un mécanisme de fusion à porte masquée génère une représentation conjointe du produit $z_i$. Il utilise des paramètres de porte apprenables pour pondérer les modalités disponibles (image, avis, recherche, attributs), assurant la robustance face aux données manquantes.

3. Prédiction de l'État d'Intention à Court Terme :

   • Un classificateur d'état multi-étapes prédit la distribution de probabilité des six états pour les 3, 5 et 10 prochaines étapes d'interaction ($\hat{\pi}^{(d)}$).
   • Cela permet au modèle de distinguer les préférences de clic instantanées des tendances d'achat différées, réduisant l'interférence des fluctuations de clics aléatoires.

4. Mécanisme de Classement Sensible à l'État :

   • Le score de classement final $\hat{r}_{\kappa,q}$ est calculé en concaténant le vecteur de contexte de la session, la représentation multimodale du produit et les distributions de probabilité des états prédits pour 3, 5 et 10 étapes.
   • Ce mécanisme re-classe les candidats non seulement sur la base de la similitude, mais aussi sur l'étape de décision prédite de l'utilisateur et les tendances de transition futures.

2.3 Objectif d'Entraînement

Une approche d'Apprentissage Conjoint Multi-Tâches est employée pour équilibrer simultanément quatre tâches :

1. Prédiction du prochain clic (Entropie Croisée Binaire).
2. Classement de Candidats (Perte de Classement Par Paire).
3. Reconnaissance de l'Intention Actuelle (Entropie Croisée).
4. Prédiction de la Transition d'État Future (Entropie Croisée pour 3, 5 et 10 étapes).

La fonction de perte totale $\mathcal{L}$ est une somme pondérée de ces tâches plus une régularisation L2, empêchant le modèle d'être dominé par un seul signal (ex: le bruit du clic).

3. Contributions Clés

• Modélisation Sensible à l'État : Modélise explicitement les intentions à court terme des utilisateurs comme une séquence de six états opérationnels plutôt qu'une séquence plate de clics, permettant de capturer des transitions complexes comme la migration inter-catégories.
• Intégration Multimodale : Développe un mécanisme de fusion robuste qui intègre les comportements, les images, les avis et les requêtes de recherche, traitant spécifiquement le problème des modalités manquantes (ex: SKU sans image) via un masquage à porte.
• Prédiction d'Horizon Multi-Étapes : Prédit les distributions d'états sur plusieurs horizons futurs (3, 5, 10 étapes), permettant au système de classement d'anticiper les besoins de l'utilisateur au-delà du prochain clic immédiat.
• Jeu de Données à Grande Échelle : Introduit le jeu de données CEMR-42M, un ensemble de données d'e-commerce transfrontalier multimodal à grande échelle avec des annotations détaillées au niveau de la session.

4. Résultats Expérimentaux

Le modèle, nommé MISTRec, a été évalué par rapport à des modèles de référence incluant Wide & Deep, DIN, DIEN, SASRec, BERT4Rec, MMRec et CLIP4Rec.

• Prédiction du Prochain Clic : MISTRec a atteint un AUC de 0,8219 et un LogLoss de 0,3748, surpassant le meilleur modèle de référence (CLIP4Rec) de 0,0034 en AUC.
• Recommandation Top-K :
  • NDCG@10 : 0,4317 (0,0158 de plus que BERT4Rec).
  • Recall@10 : 0,2865 (0,0191 de plus que SASRec).
• Prédiction de l'État d'Intention :
  • F1-Intent : 0,7426.
  • Précision de la Transition d'État : 0,7189.
  • La précision de prédiction diminue avec la longueur de l'horizon (0,7462 pour 3 étapes, 0,6890 pour 10 étapes), reflétant la dégradation naturelle de la prédictibilité de l'intention.
• Performance Inter-Catégories et Basse Fréquence :
  • Recall Inter-Catégories : 0,2736, surpassant nettement SASRec (0,2145).
  • Recall@10 des Articles à Faible Fréquence : 0,2387, montrant une meilleure gestion des articles à interactions éparses.
• Efficacité : La latence moyenne d'inférence est de 38,2 ms avec un P95 de 45,7 ms sur un ensemble de 200 candidats, ce qui est adapté au re-classement en ligne.

Les études d'ablation ont confirmé que le retrait du module de prédiction d'état entraînait une chute significative du NDCG@10 (de 0,4317 à 0,4176), validant l'importance du re-classement sensible à l'état.

5. Signification et Limites

L'article affirme que la modélisation explicite des transitions d'état à court terme améliore considérablement la robustesse du classement, particulièrement dans les scénarios où les utilisateurs passent fréquemment d'une catégorie à l'autre (ex: vêtements, beauté, extérieur, 3C, voyage). L'intégration des données multimodales permet au système de lier des candidats de différentes catégories sur la base de scénarios de recherche ou de styles visuels similaires, même en l'absence de cooccurrence historique de clics.

Revendications Modestes et Limites :
Les auteurs reconnaissent explicitement plusieurs limites et hypothèses de modélisation :

• Supervision Faible : Les six états d'intention sont des étiquettes opérationnelles dérivées des journaux, et non des états psychologiques directement observés.
• Hypothèses d'Ingénierie : L'échantillonnage par préfixe de session et la fenêtre de 20 événements sont des choix d'ingénierie pour équilibrer la préservation du signal et la réduction du bruit.
• Portée de l'Évaluation : L'évaluation des articles à faible fréquence teste des articles ayant un historique éparse (1-4 interactions) plutôt qu'un véritable "cold-start" (zéro interaction).
• Hors-ligne vs En Ligne : Les métriques hors-ligne ne capturent pas pleinement les interruptions de l'utilisateur, les retours différés ou le biais d'exposition en ligne.

Les travaux futurs suggérés par les auteurs incluent l'exploration de tests sur des articles réellement inédits, l'identification causale des transitions d'état, le codage multimodal léger, et les tests A/B en ligne.