Breaker：基于用户聚类消除快捷偏置的单槽推荐系统

在单槽推荐系统中，用户每次只能看到一件物品，系统无法同时收集用户对多件物品的反馈。因此，只能采用逐点建模方案，仅关注建模用户对物品的点击或转化可能性来学习用户-物品偏好，而无法直接捕捉不同物品之间的排序信息。然而，由于用户侧信息通常比物品侧信息丰富得多，模型能迅速学习到与所展示物品无关的用户内在倾向差异。这会使这些内在倾向成为模型的快捷偏置，导致对最受关注的用户-物品偏好挖掘不足。为解决这一挑战，我们引入了 Breaker 模型。Breaker 将用户表示聚类的辅助任务与多塔结构相结合，进行特定聚类的偏好建模。通过对用户表示进行聚类，我们确保每个聚类内的用户表现出相似特征，从而增加了用户侧逐点推荐任务的复杂度。这迫使具有聚类驱动参数学习的多塔结构更好地建模用户-物品偏好，最终消除与用户内在倾向相关的快捷偏置。在训练方面，我们提出了一种延迟参数更新机制来增强训练稳定性和收敛性，实现了辅助聚类和分类任务的端到端联合训练。离线和在线实验均表明我们的方法超越了基线。该方法已部署并在美团这一最受欢迎的服务类电子商务平台上，每日为数千万用户提供服务。