图探索至关重要：提升微信信息流推荐中的个体级与系统级多样性
机器学习
2023-06-02 v1
摘要
真实工业推荐系统大致分为候选生成（检索）、排序与重排三个阶段。个体级多样性与系统级多样性对工业推荐系统均十分重要。前者关注单一用户的体验，后者关注用户间的差异。基于图的检索策略不可避免地被重度用户与热门物品劫持，导致用户候选集趋同并缺乏系统级多样性。同时，在重排阶段部署行列式点过程（DPP）以提升个体级多样性。DPP严重依赖物品的语义信息，易受标题党与不准确属性的影响。此外，多数研究仅关注两级多样性之一，忽略了真实推荐系统中各阶段间的相互影响。我们认为个体级多样性与系统级多样性应被视为一个整体问题，并针对网页规模推荐系统给出了高效可部署的方案。总体上，我们提出在基于多样性的重排中利用检索图信息，以此削弱暴露给用户的物品间隐含相似度，从而获得更多图探索以改进系统级多样性。此外，我们认为在内容信息流推荐中用户对多样性的偏好随时间变化。因此，借助探索到的图，我们还提出捕捉用户实时的个性化多样性偏好。我们在拥有数亿用户的微信App“看一看”中实施并部署了该组合系统。离线仿真与在线A/B测试表明，我们的方案能有效提升用户参与度与系统收益。
引用
@article{arxiv.2306.00009,
title = {Graph Exploration Matters: Improving both individual-level and system-level diversity in WeChat Feed Recommender},
author = {Shuai Yang and Lixin Zhang and Feng Xia and Leyu Lin},
journal= {arXiv preprint arXiv:2306.00009},
year = {2023}
}