面向异构推荐的深度统一表示
信息检索
2022-01-27 v2 机器学习
摘要
推荐系统已在学术界与工业界被广泛研究。以往工作主要关注同构推荐，异构推荐系统方面进展甚少。然而，异构推荐(例如推荐产品、视频、名人购物笔记等多种不同类型物品)如今占据主导。现有最先进方法无法利用不同类型物品的属性，因而受困于数据稀疏问题。联合表示具有不同特征空间的物品确实颇具挑战。为应对该问题，我们提出一种基于核的神经网络，即用于异构推荐的深度统一表示(或称 DURation)，以联合建模异构物品的统一表示，同时保留其原始特征空间的拓扑结构。理论上，我们证明了所提模型的表示能力。此外，我们在真实世界数据集上进行了大量实验。实验结果表明，借助统一表示，我们的模型相较现有最先进模型取得了显著提升(例如 AUC 分数提升 4.1% ~ 34.9%，在线 CTR 提升 3.7%)。
引用
@article{arxiv.2201.05861,
title = {Deep Unified Representation for Heterogeneous Recommendation},
author = {Chengqiang Lu and Mingyang Yin and Shuheng Shen and Luo Ji and Qi Liu and Hongxia Yang},
journal= {arXiv preprint arXiv:2201.05861},
year = {2022}
}
备注
12 pages, 4 figures, accepted by the ACM Web Conference 2022 (WWW '22)