实时线上线下推荐中隐式上下文的推断
信息检索
2019-07-12 v1 机器学习
机器学习
摘要
理解用户上下文对于成功推荐至关重要，尤其是对于线上线下（O2O）推荐，如Yelp、Groupon和口碑。不同于传统推荐中个体偏好大多静态，O2O推荐应是动态的，以捕捉用户目的跨时间与地点的变化。然而，精确推断用户的实时上下文信息，尤其是隐式上下文，极其困难，这是O2O推荐的核心挑战。本文提出一种称为混合注意力约束去噪自编码器（MACDAE）的新方法，以推断隐式上下文并进而提升实时O2O推荐质量。在MACDAE中，我们首先利用用户、物品与显式上下文间的交互来推断用户隐式上下文，然后将学到的隐式上下文表示整合进端到端模型以进行推荐。MACDAE在实际系统中表现良好。我们对所提方法进行了离线与在线评估。在多个真实数据集（Yelp、大众点评和口碑）上的实验表明，我们的方法相较最先进方法取得显著提升。此外，在线A/B测试显示真实流量中点击率提升2.9%，转化率提升5.6%。我们的模型已部署于口碑“猜你喜欢”推荐产品中。
引用
@article{arxiv.1907.04924,
title = {Infer Implicit Contexts in Real-time Online-to-Offline Recommendation},
author = {Xichen Ding and Jie Tang and Tracy Liu and Cheng Xu and Yaping Zhang and Feng Shi and Qixia Jiang and Dan Shen},
journal= {arXiv preprint arXiv:1907.04924},
year = {2019}
}
备注
9 pages,KDD,KDD2019