超越贪婪排序：基于列表条件变分自编码器的 slate 优化
机器学习
2019-02-26 v6 机器学习
摘要
推荐问题的常规解法是根据预测分数对单个文档候选贪婪地排序。然而，该方法未能从整体优化 slate，因而常常难以捕捉由页面布局与文档间相互依赖所引起的偏差。slate 推荐问题旨在直接找到最能服务用户兴趣的最优有序文档子集（即 slates）。由于文档候选及其在页面上展示位置的所有组合存在组合爆炸，求解该问题十分困难。因此，我们提出从传统排序问题视角向直接 slate 生成框架的范式转变。本文中，我们引入列表条件变分自编码器（List-CVAE），其学习 slate 上文档在用户响应条件下的联合分布，并直接生成完整 slates。在模拟与真实数据上的实验表明，List-CVAE 在各种规模的文档语料库上一致优于流行的可比排序方法。
引用
@article{arxiv.1803.01682,
title = {Beyond Greedy Ranking: Slate Optimization via List-CVAE},
author = {Ray Jiang and Sven Gowal and Timothy A. Mann and Danilo J. Rezende},
journal= {arXiv preprint arXiv:1803.01682},
year = {2019}
}