BoostJet：结合统计聚合与神经嵌入的推荐方法

近年来，由于其在许多电子商务应用中的广泛适用性，推荐系统已变得非常流行。这些应用依赖推荐系统来生成各种商品的广告或提供内容推荐。然而，所生成推荐的质量取决于用户特征（如人口统计、时间性）、商品特征（如流行度、价格）以及用户-商品特征（如隐式或显式反馈）。当前最先进的推荐系统在生成推荐时并未同时利用此类多样化特征。在本文中，我们首先引入 Trackers 的概念，使我们能够捕获上述特征，从而通过不同特征（人口统计、时间性、流行度、价格）的统计聚合来纳入用户的在线行为。我们还展示了如何利用我们的 Offer2Vec 算法，基于消费序列捕获商品到商品的关系，为商品提取神经嵌入。然后我们引入 BoostJet，一种新颖的推荐系统，它使用 MatrixNet（梯度提升决策树的高效分布式实现）将 Trackers 与神经嵌入相集成，以显著提升推荐质量。我们在 Yandex 的数据集上对 BoostJet 进行了深入评估，该数据集收集了数千万在线用户的在线行为，以证明 BoostJet 在推荐质量与可扩展性方面的实用性。