[yzhpdh多读论文]How Powerful are Interest Diffusion on Purchasing Prediction: A Case Study of Taocode

How Powerful are Interest Diffusion on Purchasing Prediction: A Case Study of Taocode

Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. (2021)

作者介绍

浙江大学 & 阿里巴巴
通讯作者：杨洋（浙江大学）
research interest:

1. Anomaly Detection in Graphs.
2. Time2Graph: Revisiting Time Series Modeling from the Perspective of Graphs.
3. Learning Robust Graph Models.
   Link：http://yangy.org

introduction

本文从 Taocode（一种特殊的文本编码，用户可以用其进行产品有关信息分享） 出发，利用该信息理解用户之间的社会关系。

文章认为：用户购买商品的行为一般是出两种动机，一是出于自身的需要，二是被亲近的朋友推荐，在这种情况下即使没有紧急的需要也会促进其购买该商品。

因此这篇文章主要从 information diffusion 这一角度研究网购预测的问题

文章认为通过朋友与朋友间的传播，可以用 ‘interest diffusion’ 来表示。

为什么之前这类工作比较少？
1.信息难以获得，大多兴趣扩散都发生在私人社交通信过程中，以往通过分析邮件的工作在现实生活中会产生偏差。
2.问题难以建模，用户对不同产品的兴趣可能会呈现不同的扩散模式，兴趣扩散的动态建模仍然是一个具有挑战性的研究问题。

如何利用淘码进行兴趣传播

作者在文章中提到，Taocode的传播过程可以被淘宝完整记录下来，所以可以追踪物品在扩散流上的显式共享路径，哪个用户在什么时间与谁共享哪个产品的详细信息。

面临的建模难点：大多数现有GNN可能无法处理不同时间的动态边权值。
所以文章去深入了解Taocode传播的行为模式，并且提出了几点见解，最后提出InfNet这一框架。

Contributions:

1. 提出了一个对在线网购平台中的商品共享进行大规模分析，以淘宝中的Taocode为例。
2. 对1亿条Taocode共享数据进行综合分析，描述了几个商品兴趣传播在淘宝社交网络上的隐含特征。
3. 设计了一个端到端框架：InfNet,进行购买预测。实验表明了他们用于捕获用户对不同商品和兴趣传播动态的多层序列和图注意力机制是有效的。

Problem Formulation: