Controllable Multi-Interest Framework for Recommendation
Yukuo Cen, Jianwei Zhang, Xu Zou, Chang Zhou, Hongxia Yang, Jie Tang
Tsinghua University, Alibaba Group
https://dl.acm.org/doi/pdf/10.1145/3394486.3403344
由于深度学习的快速发展，神经网络在电商推荐系统中得以广泛应用。作者们将推荐系统形式化为序列推荐问题，旨在预测下次用户会对哪些商品产生行为。
最近的研究通常会根据用户行为序列给出全局的embedding。但是，统一的用户embedding无法反应用户在某个时期的多种兴趣。
这篇文章中，作者们提出一种新的可控多兴趣框架，ComiRec，用于序列推荐。多兴趣模块从用户行为序列中捕捉多兴趣，可以用于从大规模商品池中检索候选商品。然后这些商品可以喂入一个聚合模块，进而得到全局推荐。聚合模块利用可控因子来平衡推荐准确率和多样性。
作者们在两个真实数据集，Amazon和Taobao，进行了序列推荐的实验。实验结果表明，该框架相对STOA模型取得了显著的提升。该框架已经成功部署在离线阿里分布式云平台中。
以下例子激发了作者们的想法
作者们的主要贡献如下
神经协同过滤相关的方法主要有以下几种
序列推荐模型主要有以下几种
关于推荐多样性，主要是以下两种
关于胶囊网络，部分工作及简介如下
下面是符号约定
基于动态路由方法的ComiRec算法简介如下
动态路由算法伪代码如下
自注意力简介如下
基于自注意力的方法中，为了表示用户的多个兴趣，作者们采用了以下做法
关于模型训练，作者们采用了以下目标函数及技巧
关于线上推理，作者们采用了以下做法
对于聚合模块，简介如下
贪婪推理算法伪代码如下
部分相关工作简介如下
实验设置如下
作者们采用了以下两个数据集
数据集信息统计如下
参与对比的方法有以下几种
实现环境及参数设置如下
下面是作者们采用的衡量指标
几种算法的效果对比如下
参数k对模型效果影响如下
可控参数对模型效果影响如下
作者们采用的工业界数据集信息统计如下
模型所捕获到的用户兴趣图示如下
关于运行环境，更详细的介绍如下
更详细的参数设置如下
关于实验数据集，更详细的介绍如下
代码地址
https://github.com/THUDM/ComiRec
? ? ? ? ??? ??
我是分割线
您可能感兴趣
KDD2020|京东提出图像类别卷积神经网络CSCNN用于视觉感知CTR预估
亚马逊联合纽约州立大学提出元学习算法MetaBridge用于电商有限标注数据情况下自动验证文本属性
KDD2020|腾讯基于app使用行为提出AETN用于构建通用型user-embedding(已开源)
KDD2020|阿里联合武大提出对偶异构图注意力网络DHGAT用于提升长尾商铺搜索效果
KDD2020|蚂蚁金服提出人群扩展算法Hubble用于智能营销