面向推荐系统的深度贝叶斯多目标学习
机器学习
2019-02-26 v1 信息检索
机器学习
摘要
随着电子商务平台提供的服务日益多样化，评估其成功的标准也日益多目标化。本文提出一种具有目标事件贝叶斯建模的多目标优化框架，称为深度贝叶斯多目标学习（DBMTL）。在该框架中，目标事件被建模为构成一个贝叶斯网络，其中定向连接由隐藏层参数化，并从训练样本中学习得到。贝叶斯网络的结构由模型选择确定。我们将该框架应用于淘宝直播推荐，以同时优化（并权衡）点击率、用户在直播间的停留时长、购买行为以及互动等目标。相较于其他多任务学习（MTL）框架和非 MTL 模型，所提方法取得了显著提升。我们的实践表明，借助集成的因果结构，我们能有效使某一目标的学习受益于其他目标，产生显著的协同效应以改善所有目标。由 DBMTL 引导的神经网络构建契合连接特征与多目标的一般概率模型，比本文讨论的其他方法所作的假设更弱。这一理论上的通用性带来了针对各类目标分布（包括稀疏目标与连续值目标）的实际泛化能力。
引用
@article{arxiv.1902.09154,
title = {Deep Bayesian Multi-Target Learning for Recommender Systems},
author = {Qi Wang and Zhihui Ji and Huasheng Liu and Binqiang Zhao},
journal= {arXiv preprint arXiv:1902.09154},
year = {2019}
}
备注
7 pages, Deep Learning, Probabilistic Machine Learning, Recommender System, Multi-task Learning