基于多源增强的播客单集发现推荐
信息检索
2023-01-18 v2 人工智能
机器学习
摘要
推荐系统（RS）通常基于历史交互对用户兴趣进行建模，从海量条目中为用户检索潜在候选条目。然而，历史交互数据高度稀疏，且大多数条目为长尾条目，这限制了条目发现的表示学习。新条目或冷启动条目的发现进一步加剧了该问题。例如，用户在播客空间中表现出对比特币金融投资节目的兴趣后，推荐系统可能希望推荐，例如，来自更技术型节目的新发布的区块链单集。单集相关性有助于发现，尤其在单集交互数据有限时。据此，我们基于经典的双塔（Two-Tower）模型，引入新颖的基于对比学习框架的多源增强（MSACL），通过融入来自众多相关语义的正向单集来增强单集嵌入学习。在来自大型音频流平台的真实播客推荐数据集上的大量实验证明了所提框架在用户播客探索和冷启动单集推荐上的有效性。
引用
@article{arxiv.2301.01737,
title = {Episodes Discovery Recommendation with Multi-Source Augmentations},
author = {Ziwei Fan and Alice Wang and Zahra Nazari},
journal= {arXiv preprint arXiv:2301.01737},
year = {2023}
}
备注
5 pages long for episodes discovery recommendation