用于基于行为的用户群体表征的层次树数据结构

用户属性在现代推荐系统的多个阶段至关重要，对于缓解冷启动问题以及改善新用户或不频繁用户的体验尤为重要。我们提出了基于行为的用户群体划分（BUS），这是一种新颖的基于树的数据结构，它根据用户的产品特定参与行为，利用各种用户的类别属性对用户全域进行层次划分。在 BUS 树构建过程中，我们使用归一化折损累计增益（NDCG）作为目标函数，以最大化同一群体中边缘用户相对于活跃用户的行为代表性。构建好的 BUS 树在叶节点和内部节点之间进行进一步的处理和聚合，允许为树中的每个节点生成流行的社交内容和行为模式。为了进一步减少偏差并提高公平性，我们使用社交图推导出用户的基于连接的 BUS 群体，从而能够将从用户自身群体和基于连接的群体中提取的行为模式结合起来，作为连接感知的基于 BUS 的推荐。我们的离线分析表明，基于 BUS 的检索在排序质量上显著优于传统的基于用户队列的聚合。我们已成功部署了我们的数据结构和机器学习算法，并在每日服务数十亿用户的各种生产流量中进行了测试，在包括音乐排序和电子邮件通知在内的在线产品指标中取得了统计学上的显著改善。据我们所知，我们的研究代表了第一个用于基于树的推荐的列表级排序学习框架，该框架有效集成了多样化的用户类别属性，同时在大规模工业场景下保持了现实世界的语义可解释性。