Short-Term Changes in E-Commerce Users’ Intentions and Product Recommendation Ranking
本文提出了一种针对跨境电子商务的状态感知多模态推荐排序模型，该模型显式地对六种运营状态下的短期用户意图转移进行建模，并在新引入的包含4200万条记录的CEMR-42M数据集上，与现有基准模型相比，在跨类别和低频物品推荐方面取得了卓越的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正走在一个规模宏大、高科技感十足的购物中心里。在过去，店员（推荐系统）只会观察你从货架上拿起了什么。如果你拿起一件衬衫，他们就会建议你多看些衬衫；如果你拿起一个帐篷，他们就会建议你多看些帐篷。
但真正的购物者是“混乱”的。你可能会拿起一件衬衫，读完评论后觉得无聊，然后转向看登山靴，对比价格，把一个背包加入购物车，接着突然决定只想看看旅游地图。你的兴趣在快速转移，有时甚至在同一次访问中就在发生变化。
这篇论文介绍了一个全新的“超级店员”（被称为 MISTRec），它不只是观察你触摸了什么，它还试图猜测你现在处于购物旅程中的哪个阶段。
以下是它的工作原理，通过简单的概念进行拆解：
1. 问题所在：购物者是“变色龙”
传统的系统将你的购物过程视为一条直线：点击 A，点击 B，点击 C。它们假设如果你喜欢 A，你就会喜欢 B。但本文认为，你的“意图”（即你实际想做的事情）是在不断变化的。
- 旧方式： “你看了相机，所以这里有另一台相机。”
- 新现实： 你看了一台相机，读了评论，因为价格太贵感到害怕，然后转向看三脚架（跨品类），接着把一张存储卡加入了购物车。你不仅仅是在“浏览”；你是在比较、切换或准备购买。
2. 解决方案：“六阶段”侦探
研究人员构建了一个模型，它像一名侦探一样，试图弄清楚你在本次会话期间处于哪种特定的**“情绪”**中：
- 浏览探索 (Browsing Exploration)： 只是到处看看，点击各种东西。
- 价格比较 (Price Comparison)： 阅读评论并查看价格。
- 跨品类迁移 (Cross-Category Migration)： 突然从衣服转向旅游装备。
- 购买准备 (Purchase Preparation)： 将物品加入购物车或收藏。
- 重复购买 (Repeat Purchase)： 购买以前买过的东西。
- 放弃 (Abandonment)： 放弃并离开，没有购买。
3. “超级店员”是如何观察你的
该模型不仅仅看你的点击历史，它还会观察一种多模态 (multimodal) 的线索组合，就像侦探从不同来源收集证据一样：
- 你的行为： 你是点击、搜索还是加入购物车？
- 图片： 它分析实际的产品图像（颜色、风格）。
- 文本： 它阅读评论和你的搜索词，以理解你为什么在看这些东西。
- 时间： 你在两次点击之间等待了多久？
它将所有这些线索结合成一个关于你当前状态的单一“画像”。
4. 预测未来（水晶球）
最酷的部分在于，该模型不仅能猜出你现在想要什么，它还能预测你在 3、5 或 10 步之后会处于什么状态。
- 类比： 想象一位棋手，他不仅思考下一步，还思考三步之后的棋。
- 如果模型看到你处于“价格比较”模式，它知道你可能很快会进入“购买准备”模式。因此，它会开始展示那些已经准备好被购买的商品，而不是仅仅展示更多可供浏览的东西。
5. 结果：一份更好的购物清单
研究人员使用超过 400 万个购物会话 的海量数据集，将这个新模型与旧有的知名系统（如 Wide & Deep, DIN, SASRec 等）进行了对比测试。
- 得分： 新模型胜出了。它在预测你下一个点击动作方面表现更好（AUC 为 0.8219），并且在将正确物品放入前 10 名列表方面的表现也更好（NDCG@10 为 0.4317）。
- “跨品类”优势： 它在推荐不同品类的物品（例如在你看衣服时建议一个旅行包）方面表现得出色得多，因为它理解你正在“切换”模式，而不仅仅是停留在一种产品类型上。
- 速度： 它足以在现实生活中使用，做出一次推荐仅需约 38 毫秒（这比眨眼还要快）。
6. 缺陷（作者承认的部分）
论文坦诚地说明了其局限性：
- 它是一种猜测： 这“六种状态”并不是模型可以直接看到的（比如摄像头看到你的脸）；它们是研究人员根据人们的行为所创建的标签。
- 对新物品并非魔法： 它对之前出现过的产品效果很好，但对于从未被点击过的全新产品（严格的“冷启动”问题），它并不是完美的测试。
- 离线 vs 在线： 测试是在记录的数据上进行的，而不是在真实、混乱的现实环境中（在那里用户可能会因为接电话或朋友说话而分心）。
总结：
这篇论文提出，要做好产品推荐，你不能只看点击列表。你需要理解购物旅程的故事。通过分析图像、文本和行为来猜测购物者的当前“情绪”并预测他们的下一步行动，这个新模型创造了一个更加准确且有帮助的购物清单。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。