面向多域推荐的自适应域兴趣网络

工业推荐系统通常持有来自多个业务场景的数据，并需同时为这些场景提供推荐服务。在检索步骤中，从海量语料中筛选出的 topK 高质量物品往往需针对不同场景具备多样性。以阿里巴巴展示广告系统为例，这不仅因为淘宝用户的行为模式多样，也因为广告主对不同场景设定的出价差异显著。传统方法要么为每个场景单独训练模型，忽略了用户群与物品的跨域重叠；要么简单混合所有样本并维持共享模型，难以捕捉场景间的显著差异。本文提出自适应域兴趣网络（ADI），自适应地处理跨场景的共性与差异，在训练中充分利用多场景数据。所提方法通过在线推理时为不同场景给出各异的 topK 候选，从而提升各业务域的性能。具体而言，ADI 通过共享网络与域特定网络分别建模不同域的共性与差异；此外，我们应用域特定批归一化并设计域兴趣自适应层以实现特征级域适配，还引入自训练策略以捕捉跨域的标签级关联。ADI 已部署于阿里巴巴展示广告系统，取得广告收入 1.8% 的提升。