基于部分共享参数的多任务学习实现精准捆绑匹配与生成

我们如何准确地向用户推荐现有捆绑包？我们如何为用户生成新的定制化捆绑包？由于提升了用户和提供方的满意度，推荐捆绑包（即一组多样化物品）在电子商务中引起了广泛关注。捆绑匹配和捆绑生成是捆绑推荐中的两个代表性任务。捆绑匹配任务是正确地将现有捆绑包匹配给用户，而捆绑生成则是生成用户更偏好的新捆绑包。尽管近期许多工作开发了捆绑推荐模型，但它们未能实现高准确率，因为它们没有有效处理异构数据，也没有学习定制化捆绑生成的方法。在本文中，我们提出BundleMage，一种用于捆绑匹配与生成的精准方法。BundleMage利用自适应门（adaptive gate）技术有效混合用户对物品和捆绑包的偏好，从而在捆绑匹配上实现高准确率。BundleMage还通过学习的生成模块生成个性化捆绑包，该模块利用用户偏好和待补全的给定不完整捆绑包的特征。BundleMage进一步利用部分共享参数的多任务学习提升了其性能。通过大量实验，我们表明BundleMage在捆绑匹配上的nDCG比最佳竞争模型高出至多6.6%，在捆绑生成上的nDCG高出6.3倍。我们还提供了定性分析，表明BundleMage在考虑用户口味和目标捆绑包特征的情况下有效生成捆绑包。