CAM2：面向大规模推荐系统的顺从性感知多任务排序模型
信息检索
2023-04-19 v1 机器学习
摘要
通过拟合历史用户交互数据来学习大规模工业推荐系统模型，会使它们易受顺从性偏倚影响。这可能源于若干因素，包括用户兴趣难以确定，以及许多条目常因生态系统因素而非其与个体用户的相关性而被交互。本文中，我们引入 CAM2，一种顺从性感知多任务排序模型，用于在最大的工业推荐平台之一上向用户提供相关条目。CAM2 通过利用因果建模将用户对热门条目的顺从与其真实兴趣解耦，从而系统性地应对这些挑战。该框架具有通用性，可扩展以支持任意大规模推荐系统中顺从性与用户相关性的多种表示。我们提供了更深入的实用见解，并通过相比我们的生产多任务排序模型在离线评估指标上的提升，证明了所提模型的有效性。我们还通过在线实验表明，CAM2 模型使聚合用户参与度显著提升 0.50%，同时 Facebook Watch（一个服务数十亿用户的流行视频发现与分享平台）的日活跃用户增加 0.21%。
引用
@article{arxiv.2304.08562,
title = {CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems},
author = {Ameya Raul and Amey Porobo Dharwadker and Brad Schumitsch},
journal= {arXiv preprint arXiv:2304.08562},
year = {2023}
}
备注
Accepted by WWW 2023