面向推荐系统的聚类嵌入学习
人工智能
2023-02-13 v2 机器学习
摘要
近年来，推荐系统快速发展，其中用户与物品的嵌入学习起着关键作用。一种标准方法为每个用户和物品学习一个独特的嵌入向量。然而，该方法在实际应用中存在两个重要局限：1) 难以为自身交互稀疏的用户和物品学习到泛化良好的嵌入；2) 当用户和物品数量大幅增加时，可能产生难以承受的高内存开销。现有方法要么只能解决其中一个局限，要么整体性能存在缺陷。本文中，我们提出聚类嵌入学习 (CEL) 作为这两个问题的集成解决方案。CEL 是一个即插即用的嵌入学习框架，可与任何可微分特征交互模型结合。它能够在降低内存开销的同时实现提升的性能，尤其针对冷启动用户和物品。CEL 以自顶向下的方式实现用户和物品的自动动态聚类，其中被聚类的实体联合学习一个共享嵌入。CEL 的加速版本具有最优时间复杂度，支持高效的在线更新。理论上，我们在非负矩阵分解背景下证明了 CEL 的可辨识性以及唯一最优聚类数的存在性。在实验上，我们在三个公开数据集和一个业务数据集上验证了 CEL 的有效性，显示出其相对于当前最先进方法的一致优越性能。特别地，当将 CEL 融入业务模型时，其带来 AUC 上 的提升，转化为显著的收益增长；同时，嵌入表的大小缩减为原来的 分之一。
引用
@article{arxiv.2302.01478,
title = {Clustered Embedding Learning for Recommender Systems},
author = {Yizhou Chen and Guangda Huzhang and Anxiang Zeng and Qingtao Yu and Hui Sun and Heng-yi Li and Jingyi Li and Yabo Ni and Han Yu and Zhiming Zhou},
journal= {arXiv preprint arXiv:2302.01478},
year = {2023}
}