面向动态推荐系统的层次化时序卷积网络
社会与信息网络
2019-04-14 v2 信息检索
机器学习
摘要
能够从跨会话数据中学习并动态预测用户下一步将选择何种物品的推荐系统对在线平台至关重要。然而,现有方法常使用开箱即用的序列模型,受限于速度与内存消耗,往往难以用于生产环境,且通常未纳入对有效推荐至关重要的跨会话信息。本文提出层次化时序卷积网络(HierTCN),一种基于用户与物品的序列多会话交互进行动态推荐的层次化深度学习架构。HierTCN 面向拥有数十亿物品与数亿用户的网页级系统设计,由两级模型组成:高层模型使用循环神经网络(RNN)聚合用户在不同会话中演化的长期兴趣,低层模型采用时序卷积网络(TCN)实现,利用长期兴趣与会话内短期交互预测下一次交互。我们在公开 XING 数据集与包含 600 万用户、16 亿次交互的大规模 Pinterest 数据集上进行了充分实验。结果表明,HierTCN 比基于 RNN 的模型快 2.5 倍,且相比基于 TCN 的模型减少 90% 数据内存。我们进一步开发了高效数据缓存方案与基于队列的小批量生成器,使模型能在单 GPU 上 24 小时内完成训练。我们的模型持续优于 SOTA 动态推荐方法,召回率最高提升 18%,平均倒数排名提升 10%。
引用
@article{arxiv.1904.04381,
title = {Hierarchical Temporal Convolutional Networks for Dynamic Recommender Systems},
author = {Jiaxuan You and Yichen Wang and Aditya Pal and Pong Eksombatchai and Chuck Rosenberg and Jure Leskovec},
journal= {arXiv preprint arXiv:1904.04381},
year = {2019}
}
备注
Accepted by the Web Conference 2019 (WWW 2019) as a full paper