面向推荐的效用最大化上下文感知重排序
信息检索
2022-02-15 v2
摘要
作为大规模商业推荐系统的关键任务，重排序通过揭示项目之间的相互影响，展现了改善推荐结果的潜力。重排序通过重新排列来自前一排序阶段的初始排序列表中的项目，以更好地满足用户的需求。然而，理想的排序算法不应像大多数现有方法那样仅考虑初始列表的上下文，而应考虑反事实上下文——即重排序列表中项目的位置和对齐方式。在这项工作中，我们提出了一种新颖的成对重排序框架，即面向推荐的效用最大化上下文感知重排序 (CRUM)，该框架能在重排序后高效地最大化整体效用。具体而言，我们首先设计了一个面向效用的评估器，它应用 Bi-LSTM 和图注意力机制通过反事实上下文建模来估计列表级效用。然后，在评估器的指导下，我们提出了一个成对重排序模型，通过交换错位的项目对来为每个项目找到最合适的位置。在两个基准数据集和一个专有的真实世界数据集上的广泛实验表明，CRUM 在基于相关性的指标和基于效用的指标上均显著优于 SOTA 模型。
引用
@article{arxiv.2110.09059,
title = {Context-aware Reranking with Utility Maximization for Recommendation},
author = {Yunjia Xi and Weiwen Liu and Xinyi Dai and Ruiming Tang and Weinan Zhang and Qing Liu and Xiuqiang He and Yong Yu},
journal= {arXiv preprint arXiv:2110.09059},
year = {2022}
}