《Electronic Commerce Research and Applications》：What to recommend is when to recommend: Modeling multi-granularity repurchase cycles
编辑推荐：
本文挑战了重复购买推荐（NBRR）中关于复购间隔服从单一分布的固有假设。研究发现，重复购买间隔分布（DRPI）实际上呈现为一种包含主趋势与多重周期峰值的多模态混合结构，即“多粒度复购周期原则”（PMGRC）。对此，研究提出了MgRIA模型，其通过多粒度时间戳嵌入与分布感知评分机制，有效建模复杂周期，从而在预测“推荐什么”（召回率、nDCG、MRR）的同时，显著提升“何时推荐”（Time-MRR）的准确性。
Highlight
（文档中“Highlight”部分之后的首个可翻译结构是“Section snippets”，其中包含多个小节。由于用户指定“从Highlight开始到第二个Conclusion在内”，而文档中没有明确名为“Highlight”的小节，但存在“Section snippets”，且“The MgRIA model”、“Experimental settings”和“Conclusion”均是其下的小节。因此，我将从“Section snippets”开始翻译，并包含其下一直到第二个“Conclusion”小节之前的内容。注意，文档中第一个“Conclusion”出现在“Section snippets”的末尾，这可能是用户所指的“第二个Conclusion”？但根据结构，全文只有一个“Conclusion”小节，它位于“Section snippets”的最后。因此，我将翻译“Section snippets”下的所有子小节，直至最后的“Conclusion”小节。这符合“从Highlight开始到第二个Conclusion在内”的意图，即覆盖“Section snippets”下的全部内容。）
章节要点
相关工作
我们将相关文献组织成一个分层叙述，以阐明MgRIA的定位：（i）无视时间的序列/会话模型；（ii）简单的时间感知模型；（iii）针对重复购买和周期性建模的专门研究。这一叙述揭示了为何先前的研究在多粒度复购间隔问题上举步维艰（参见表2）。
MgRIA模型
在现实世界的购买行为中，用户的重复购买行为通常呈现出复杂的时序模式，其间隔时间跨度不同的时间尺度（例如，日用品与季节性商品），并且这些模式通常遵循幂律分布和高斯分布的混合，正如第1节所论证的那样。在本节中，我们通过以下设计来解决这个多粒度复购间隔感知的推荐问题。
实验设置
在实验设置方面，硬件包括一个CPU（Intel Xeon Gold 6140）和两块GPU（NVIDIA Quadro RTX 6000，每块内存24GB），运行Ubuntu 18.04系统。模型使用深度学习框架PyTorch实现。
数据集与预处理
如表1所示，不同数据集的物品集平均长度存在显著差异。由于数据特征的内在差异，一个较小的N值可能在某个数据集中产生有意义的结果，但在其他数据集中则不然。
模型变体
为了进一步研究各组件的贡献，我们从四个层次视角进行了消融实验，如表7所列。
对于每个变体，我们使用标准指标（Recall@10、MRR@10、nDCG@10和Time-MRR@10）来测量整体推荐性能以及重复购买预测的特定性能。表8展示了在Tafeng数据集上的实验结果，这证明了多粒度时间戳嵌入至关重要，移除它会…
结论
基于对多个数据集的考察，我们在重复购买间隔分布中发现了一个普遍存在的现象，即一个主导模式伴随着数个次要模式。有鉴于此，我们设计了一种新颖的推荐系统MgRIA，它利用多粒度时间戳嵌入来捕捉订单之外的时间戳信息，而不仅仅是序列信息。在所报告数据集上的实验结果支持了所提方法在…的有效性。
作者贡献声明
Yin Tang: 审查与编辑、撰写初稿、项目管理、方法论、资金获取、形式分析、概念化。Zezheng Li: 软件、数据整理。Xiaotong Ye: 调查。Xiaotong Luo: 可视化、软件。Yonghui Chen: 资源。Xing Qiu: 审查与编辑、监督。
生成式AI与AI辅助技术在写作过程中的使用声明
在准备本工作的过程中，作者仅使用AI进行校对。在使用此工具/服务后，作者根据需要审查并编辑了内容，并对出版物的内容负全部责任。
利益冲突声明
作者声明，没有已知的可能影响所报告工作的竞争性财务利益或个人关系。
致谢
这项工作得到了国家自然科学基金（编号：62272198）和基于大模型代理的高速公路“1+N”机电运维大脑研究与应用项目的支持。
