基于多样化偏好网络提升推荐匹配的准确性与多样性
信息检索
2021-10-15 v1
摘要
近年来,现实世界的推荐系统需要处理数百万候选物品。由于巨大的计算成本,在整个语料库上执行复杂的端到端算法极具挑战。因此,传统推荐系统通常包含两个模块:匹配模块关注覆盖度,旨在从大规模语料中高效检索数百个物品;排序模块则为这些物品生成具体排序。推荐多样性是影响用户体验的关键因素。多数研究在排序中探索推荐多样性,而匹配模块应承担更多多样性责任。本文提出一种用于匹配中多样化推荐的异构图神经网络框架(GraphDR),以提升推荐准确性与多样性。具体而言,GraphDR 构建庞大的异质偏好网络以记录不同类型用户偏好,并采用字段级异构图注意力网络进行节点聚合。我们还创新性地提出基于邻居相似度的损失,以在多样化匹配任务中平衡推荐准确性与多样性。实验中,我们在真实推荐系统上以多种准确性与多样性指标进行了广泛的在线与离线评估,并取得显著提升。我们还进行了模型分析与案例研究以更好理解模型。此外,GraphDR 已部署于知名推荐系统,影响数百万用户。源代码将公开。
引用
@article{arxiv.2102.03787,
title = {Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network},
author = {Ruobing Xie and Qi Liu and Shukai Liu and Ziwei Zhang and Peng Cui and Bo Zhang and Leyu Lin},
journal= {arXiv preprint arXiv:2102.03787},
year = {2021}
}
备注
11 pages, under review