构建深度神经网络推荐系统的五条经验
信息检索
2018-10-09 v2 机器学习
机器学习
摘要
推荐算法在交易市场中被广泛采用以帮助用户找到所需物品。物品-用户矩阵的稀疏性以及交易市场中的冷启动问题，对现成的基于矩阵分解的推荐系统提出了挑战。为理解用户意图并量身定制推荐，我们利用深度学习探索交易市场中可用的各类异构数据。本文总结了我们在挪威领先交易市场 FINN.no 试验最先进深度学习推荐器时所获得的五条经验。我们设计了一个混合推荐系统，它利用交易市场中的用户生成内容（包括文本、图像和元属性），并将其与页面浏览和消息等用户行为数据结合，为市场物品提供推荐。在我们尝试的多种策略中，以下五条显示出最佳效果：分阶段训练而非端到端训练、利用超越页面浏览的丰富用户行为、将用户行为作为噪声标签训练嵌入、使用迁移学习解决数据不平衡问题，以及在混合模型中使用注意力机制。该系统目前在 FINN.no 生产环境以约 20% 的点击率运行，每日服务超一百万访客。
引用
@article{arxiv.1809.02131,
title = {Five lessons from building a deep neural network recommender},
author = {Simen Eide and Audun M. Øygard and Ning Zhou},
journal= {arXiv preprint arXiv:1809.02131},
year = {2018}
}
备注
Fixed typos. Removed "staged training strategy" result, as it will vary a lot depending on how the stages are designed