COURIER:面向大规模视觉推荐的用户意图对比重构
计算机视觉与模式识别
2024-06-07 v3 机器学习
摘要
随着多媒体互联网的发展,视觉特征对在线零售行业用户点击与否决策的影响日益显著。因此,融入视觉特征是进一步提升点击率(CTR)性能的一个有前景的方向。然而,我们生产系统上的实验表明,简单注入采用已有预训练方法训练的图像嵌入仅带来边际改善。我们认为,现有图像特征预训练方法的主要优势在于其跨模态预测的有效性。但这与推荐系统中的CTR预测任务差异显著。在推荐系统中,其他模态信息(如文本)可直接作为下游模型的特征。即便跨模态预测任务性能优异,也难以为下游模型提供显著的信息增益。我们主张,超越现有模态特征的进一步改进,需要一种专为推荐定制的视觉特征预训练方法。为此,我们提出一个有效的用户意图重构模块,从行为历史中挖掘与用户兴趣相关的视觉特征,其构建了一种多对一的对应关系。我们进一步提出一种对比训练方法,以学习用户意图并防止嵌入向量坍缩。我们在公开数据集与生产系统上进行了广泛的实验评估,验证了我们的方法能够学习用户的视觉兴趣。我们的方法在离线AUC上实现了0.46%的提升,在淘宝GMV(交叉商品成交量)上实现了0.88%的提升(p值<0.01)。
引用
@article{arxiv.2306.05001,
title = {COURIER: Contrastive User Intention Reconstruction for Large-Scale Visual Recommendation},
author = {Jia-Qi Yang and Chenglei Dai and Dan OU and Dongshuai Li and Ju Huang and De-Chuan Zhan and Xiaoyi Zeng and Yang Yang},
journal= {arXiv preprint arXiv:2306.05001},
year = {2024}
}