MetaSplit: Meta-Split Network for Limited-Stock Product Recommendation

与B2C电子商务系统相比，C2C电子商务平台通常会遇到有限库存问题，即在C2C系统中，一个产品只能被售出一次。这为点击率（CTR）预测带来了几个独特的挑战。由于每个产品（即物品）的用户交互有限，因此CTR模型中对应的物品嵌入可能不容易收敛。这使得传统的基于序列建模的方法无法有效利用用户历史信息，因为历史用户行为包含了不同库存量的物品。特别地，序列模型中的注意力机制倾向于将更高的分数分配给具有更多累积用户交互的产品，使得有限库存产品被忽视并对最终输出做出较少的贡献。为此，我们提出了Meta-Split Network（MSNet）来根据每个产品的库存量分割用户历史序列，并采用不同的建模方法来处理不同的序列。对于有限库存产品，采用元学习方法来解决不收敛的问题，通过设计具有ID和侧面信息的元缩放和移位网络来实现。此外，传统方法几乎无法在产品被消耗后更新物品嵌入。因此，我们提出了一个辅助损失，使参数即使在产品不再分发时也可以更新。据我们所知，这是解决有限库存产品推荐的第一个解决方案。在生产数据集和在线A/B测试上的实验结果证明了我们提出的方法的有效性。

解决C2C电商平台中的有限库存问题对CTR预测的影响，以及传统方法在处理有限库存商品时存在的问题。

提出了Meta-Split Network (MSNet)方法，将用户历史行为序列根据商品库存量进行分割，并针对不同序列采用不同的建模方法。同时，采用元学习方法解决有限库存商品导致的嵌入向量收敛问题，并提出了辅助损失来更新已消耗商品的嵌入向量。

实验结果表明，该方法在生产数据集和在线A/B测试中都取得了很好的效果。该论文的亮点包括采用元学习方法解决有限库存商品导致的嵌入向量收敛问题，以及提出的辅助损失来更新已消耗商品的嵌入向量。

最近的相关研究包括《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》和《Wide & Deep Learning for Recommender Systems》等。