面向相关推荐的特征感知解耦表示多样化重排序
信息检索
2022-06-13 v1
摘要
相关推荐是一种特殊推荐场景,在用户对某一目标物品表达兴趣(如点击、点赞、购买)时提供相关物品。除考虑推荐与触发物品间的相关性外,推荐还应多样化以避免信息茧房。然而,现有多样化推荐方法主要关注物品级多样性,当推荐物品均与目标物品相关时便显不足。此外,冗余或噪声物品特征可能影响简单特征感知推荐方法的性能。面对这些问题,我们提出特征解耦自平衡重排序框架(FDSB)以捕捉特征感知多样性。该框架包含两个主要模块,即解耦注意力编码器(DAE)与自平衡多方面排序器。在DAE中,我们利用多头注意力从丰富物品特征中学习解耦方面。在排序器中,我们开发了方面特定排序机制,能够自适应平衡各方面的相关性与多样性。实验中,我们在收集的数据集上进行离线评估,并将FDSB部署于快手app,对相关推荐功能进行在线A/B测试。推荐质量与用户体验的显著提升验证了方法的有效性。
引用
@article{arxiv.2206.05020,
title = {Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation},
author = {Zihan Lin and Hui Wang and Jingshu Mao and Wayne Xin Zhao and Cheng Wang and Peng Jiang and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2206.05020},
year = {2022}
}
备注
10 pages, 5 figures, Accepted by SIGKDD 2022 Applied Data Science Track