基于扩散模型的多兴趣推荐中的兴趣细化
信息检索
2025-02-14 v2
摘要
多兴趣候选匹配在个性化推荐系统中扮演着关键角色，因为它从用户的历史行为中捕捉用户多样化的兴趣。大多数现有方法利用注意力机制通过聚合历史物品嵌入来生成兴趣表示。然而，这些方法仅捕捉整体的物品级别相关性，导致粗粒度的兴趣表示，其中包含不相关的信息。为此，我们提出了扩散多兴趣模型（DMI），该模型是一个用于在维度级别细化用户兴趣表示的新框架。具体而言，DMI首先在兴趣表示的维度级别引入可控噪声。然后，在迭代重构过程中，DMI结合交叉注意力机制和物品修剪策略，以所定制的协作信息为指导，重构出针对性的兴趣向量。广泛的实验结果表明，DMI的有效性，超过了在离线评估和在线A/B测试中的领先方法。成功地部署在真实世界的推荐系统中，DMI有效地提升了用户满意度和系统规模性能，服务于数亿日活用户。\footnote{一旦论文接受，代码将公开以便复现。}
引用
@article{arxiv.2502.05561,
title = {Diffusion Model for Interest Refinement in Multi-Interest Recommendation},
author = {Yankun Le and Haoran Li and Baoyuan Ou and Yingjie Qin and Zhixuan Yang and Ruilong Su and Fu Zhang},
journal= {arXiv preprint arXiv:2502.05561},
year = {2025}
}