Riepilogo Tecnico: Cambiamenti a Breve Termine nelle Intenzioni degli Utenti di E-Commerce e Classificazione dei Prodotti Raccomandati

1. Definizione del Problema

I sistemi di raccomandazione e-commerce tradizionali si affidano spesso a sequenze di clic storiche o a caratteristiche di articoli a singola modalità. Tuttavia, il comportamento dell'utente all'interno di una singola sessione è eterogeneo e coinvolge operazioni diverse come la ricerca, la visualizzazione di immagini, la lettura di recensioni, il confronto dei prezzi e l'aggiunta di articoli al carrello. Queste interazioni indicano che gli interessi a breve termine dell'utente non sono statici; possono cambiare rapidamente da un singolo obiettivo di prodotto a molteplici scenari di consumo, inclusi i passaggi tra categorie diverse (ad esempio, dall'abbigliamento agli accessori da viaggio).

I metodi esistenti spesso non riescono ad acquisire adeguatamente:

• Trasferimenti tra categorie: Il passaggio dell'intento dell'utente tra distinte categorie di prodotti all'interno di una sessione.
• Semantica multimodale: L'interazione tra l'aspetto visivo, le recensioni testuali e le query di ricerca.
• Transizioni di stato: L'evoluzione dell'intento dell'utente dalla navigazione alla preparazione dell'acquisto o all'abbandono.

Di conseguenza, la classificazione dei prodotti candidati spesso non riesce ad allinearsi con la fase decisionale attuale dell'utente, portando a prestazioni di raccomandazione subottimali, in particolare per gli articoli a bassa frequenza e per gli scenari cross-category.

2. Metodologia

Il documento propone un Modello di Classificazione della Raccomandazione Consapevole dello Stato (State-Aware Multimodal Recommendation Ranking Model) progettato per l'e-commerce transfrontaliero. La metodologia si basa sul dataset CEMR-42M, che contiene 468.320 utenti, 126.480 SKU e oltre 42 milioni di record di interazione.

2.1 Rappresentazione dei Dati e Definizione dello Stato

• Modellazione della Sessione: Le sessioni sono segmentate in base al tempo degli eventi e ai confini di inattività. Ogni evento di sessione è rappresentato come un vettore congiunto $\eta_l$ che concatena il tipo di comportamento, le caratteristiche delle immagini del prodotto, le caratteristiche del testo delle recensioni, le caratteristiche dei termini di ricerca, gli attributi del prodotto e gli intervalli temporali.
• Sei Stati Operativi: Gli intenti a breve termine dell'utente sono discretizzati in sei stati osservabili derivati dai log della piattaforma:
  1. Esplorazione della Navigazione (Browsing Exploration): Clic ad alta frequenza e visualizzazione di immagini.
  2. Confronto dei Prezzi (Price Comparison): Lettura di recensioni e passaggio a prodotti simili.
  3. Migrazione tra Categorie (Cross-Category Migration): Innescata da un aumento della distanza tra le categorie o da cambiamenti nei termini di ricerca.
  4. Preparazione all'Acquisto (Purchase Preparation): Aggiunta ai preferiti, aggiunta al carrello e confronto concentrato.
  5. Acquisto Ripetuto (Repeat Purchase): Visite a SKU simili basate sulla cronologia.
  6. Abbandono (Abandonment): Lunga inattività o terminazione della sessione senza conversione.

2.2 Architettura del Modello

Il modello si compone di quattro componenti primarie:

1. Codifica della Sequenza di Comportamenti Multi-Tipo:

   • Le categorie di comportamento sono mappate in identificatori discreti e combinate con l'ID del prodotto, la categoria, gli intervalli temporali e le informazioni sul dispositivo.
   • L'unità di addestramento è un campione di prefisso di sessione (session-prefix sample): il prefisso fino all'evento $t$ funge da input, mentre l'evento successivo fornisce la supervisione del click. Gli stati futuri a $t+3, t+5$ e $t+10$ fungono da etichette di transizione multi-step.
   • Viene mantenuta una finestra di 20 eventi; le sessioni più brevi vengono sottoposte a padding, quelle più lunghe vengono troncate per preservare il contesto recente.

2. Estrazione e Fusione delle Caratteristiche Multimodali:

   • Encoder Visivo: Estrae caratteristiche di colore, stile, forma e scena.
   • Encoder Testuale: Estrae semantica relativa a dimensioni, qualità, logistica ed esperienza utente dalle recensioni.
   • Encoder di Ricerca: Cattura i bisogni immediati dell'utente.
   • Fusione Gated Mascherata (Masked Gated Fusion): Per gestire le modalità mancanti (ad esempio, prodotti senza immagini), un meccanismo di fusione gated mascherata genera una rappresentazione congiunta del prodotto $z_i$. Questo utilizza parametri di gating apprendibili per pesare le modalità disponibili (immagine, recensione, ricerca, attributi), garantendo la robustezza contro i dati mancanti.

3. Predizione dello Stato dell'Intento a Breve Termine:

   • Un classificatore di stato multi-step predice la distribuzione di probabilità dei sei stati per i successivi 3, 5 e 10 passi di interazione ($\hat{\pi}^{(d)}$).
   • Ciò consente al modello di distinguere tra preferenze di click istantanee e tendenze all'acquisto ritardate, riducendo l'interferenza dalle fluttuazioni casuali dei click.

4. Meccanismo di Classificazione Consapevole dello Stato (State-Aware Ranking):

   • Il punteggio di classifica finale $\hat{r}_{\kappa,q}$ è calcolato concatenando il vettore del contesto della sessione, la rappresentazione multimodale del prodotto e le distribuzioni di probabilità degli stati predetti per 3, Ini 5 e 10 passi.
   • Questo meccanismo classifica nuovamente i candidati non solo in base alla similarità, ma anche in base alla fase decisionale prevista dell'utente e alle tendenze di transizione future.

2.3 Obiettivo di Addestramento

Viene impiegato un approccio di Apprendimento Congiunto Multi-Task (Multi-Task Joint Learning) per bilanciare simultaneamente quattro compiti:

1. Predizione del prossimo click (Binary Cross-Entropy).
2. Classificazione dei candidati (Pairwise Ranking Loss).
3. Riconoscimento dell'intento attuale (Cross-Entropy).
4. Predizione della transizione di stato futura (Cross-Entropy per 3, 5 e 10 passi).

La funzione di perdita totale $\mathcal{L}$ è una somma pesata di questi compiti più la regolarizzazione L2, evitando che il modello sia dominato da un singolo segnale (ad esempio, il rumore dei click).

3. Contributi Chiave

• Modellazione Consapevole dello Stato (State-Aware Modeling): Modella esplicitamente gli intenti a breve termine dell'utente come una sequenza di sei stati operativi piuttosto che come una sequenza piatta di click, consentendo la cattura di transizioni complesse come la migrazione tra categorie.
• Integrazione Multimodale: Sviluppa un meccanismo di fusione robusto che integra comportamenti, immagini, recensioni e query di ricerca, affrontando specificamente il problema delle modalità mancanti (es. SKU senza immagine) attraverso il gating mascherato.
  la predizione di distribuzioni di stato su più orizzonti futuri (3, 5, 10 passi), permettendo al sistema di classificazione di anticipare i bisogni dell'utente oltre il click immediatamente successivo.
• Dataset su Larga Scala: Introduce il dataset CEMR-42M, un dataset e-commerce transfrontaliero multimodale su larga scala con annotazioni dettagliate a livello di sessione.

4. Risultati Sperimentali

Il modello, denominato MISTRec, è stato valutato rispetto ai baseline tra cui Wide & Deep, DIN, DIEN, SASRec, BERT4Rec, MMRec e CLIP4Rec.

• Predizione del Prossimo Click: MISTRec ha raggiunto un AUC di 0,8219 e una LogLoss di 0,3748, superando il miglior baseline (CLIP4Rec) di 0,0034 in AUC.
• Raccomandazione Top-K:
  • NDCG@10: 0,4317 (0,0158 superiore a BERT4Rec).
  • Recall@10: 0,2865 (0,0191 superiore a SASRec).
• Predizione dello Stato dell'Intento:
  • Intent-F1: 0,7426.
  • Accuratezza della Transizione di Stato: 0,7189.
  • L'accuratezza della predizione diminuisce con la lunghezza dell'orizzonte (0,7462 per 3 passi, 0,6890 per 10 passi), riflettendo il naturale decadimento della prevedibilità dell'intento.
• Performance Cross-Category e a Bassa Frequenza:
  • Recall Cross-Category: 0,2736, significativamente superiore a SASRec (0,2145).
  • Recall@10 per Articoli a Bassa Frequenza: 0,2387, mostrando una gestione migliorata degli articoli con interazioni sparse.
• Efficienza: La latenza media di inferenza è di 38,2 ms con un P95 di 45,7 ms su un set di candidati di 200, adatto per il re-ranking online.

Gli Studi di Ablazione hanno confermato che la rimozione del modulo di predizione dello stato causa un calo significativo del NDCG@10 (da 0,4317 a 0,4176), validando l'importanza del re-ranking consapevole dello stato.

5. Significato e Limitazioni

Il documento sostiene che la modellazione esplicita delle transizioni di stato a breve termine migliora significamente la robustezza della classificazione, specialmente in scenari in cui gli utenti passano frequentemente tra le categorie (ad esempio, abbigliamento, bellezza, outdoor, 3C, viaggi). L'integrazione dei dati multimodali consente al sistema di collegare i candidati di diverse categorie basandosi su scenari di ricerca o stili visivi simili, anche in assenza di co-occorrenza storica di click.

Affermazioni Modeste e Limitazioni:
Gli autori riconoscono esplicitamente diverse limitazioni e assunzioni di modellazione:

• Supervisione Debole: I sei stati di intento sono etichette operative derivate dai log, non stati psicologici direttamente osservati.
• Assunzioni Ingegneristiche: Il campionamento del prefisso della sessione e la finestra di 20 eventi sono scelte ingegneristiche per bilanciare la preservazione del segnale e la riduzione del rumore.
• Ambito di Valutazione: La valutazione degli articoli a bassa frequenza testa articoli con cronologia sparsa (1-4 interazioni) piuttosto che il cold-start stretto (zero interazioni).
• Offline vs Online: Le metriche offline non catturano completamente le interruzioni dell'utente, il feedback ritardato o il bias di esposizione online.

Il lavoro futuro suggerito dagli autori include l'esplorazione del testing su articoli mai visti, l'identificazione causale della transizione di stato, la codifica multimodale leggera, e il testing A/B online.