利用用户邻域进行实时电商推荐

推荐系统在现代在线服务（如 Amazon 和 Taobao）中发挥着至关重要的作用。传统的个性化方法关注用户-物品（UI）关系，因其高效有效已广泛应用于工业场景。尽管取得成功，我们认为这些方法忽略了相似用户中隐藏的局部信息。为解决此问题，基于用户的方法从局部视角利用相似用户关系进行推荐。然而，传统的基于用户的方法（如 userKNN 和矩阵分解）难以部署于实时应用，因为此类转导模型必须在任何新交互发生时重新计算或重训练。为克服这一挑战，我们提出一种称为自互补协同过滤（SCCF）的框架，可实时利用全局与局部信息进行推荐。一方面，它利用 UI 关系与用户邻域捕获全局与局部信息；另一方面，它可通过归纳模型即时推断用户表征，实时为每个用户识别相似用户。所提框架可无缝集成到现有归纳式 UI 方法中，并以极少额外计算从用户邻域获益。这也是首次尝试将基于用户的方法应用于实时场景。SCCF 的有效性与高效性通过四个公开数据集上的大量离线实验以及 Taobao 的大规模在线 A/B 测试得到验证。