职位推荐：分类广告中协同过滤方法的基准评测
信息检索
2023-01-20 v1 机器学习
摘要
由于用户和物品信息有限，分类广告给推荐方法带来了诸多挑战。本文以 OLX Jobs 为例，探索面向分类广告的推荐方法。本文的目标是对不同的职位分类广告推荐方法进行基准评测，以提升广告转化率与用户满意度。在我们的研究中，我们实现了可扩展且代表不同推荐思路的方法，即 ALS、LightFM、Prod2Vec、RP3beta 和 SLIM。我们从准确率、多样性以及可扩展性（训练与预测阶段的内存与时间消耗）方面对方法进行了实验室对比。还通过向用户发送数百万条含推荐内容的消息开展了在线 A/B 测试，以在真实场景中评估模型。此外，我们发布了为研究需要所创建的数据集。据我们所知，这是此类首个数据集。该数据集包含 3,295,942 名用户在 2020 年两周内于 OLX Jobs 上对 185,395 条招聘广告进行（展示、回复或收藏）的 65,502,201 条事件记录。我们表明，在实验室环境下，RP3beta、SLIM 和 ALS 的表现显著优于 Prod2Vec 和 LightFM。在线 A/B 测试亦表明，发送由 ALS 和 RP3beta 模型生成的推荐消息增加了联系广告主的用户数量。此外，RP3beta 在该指标上的影响比 ALS 高出 20%。
引用
@article{arxiv.2301.07946,
title = {Job recommendations: benchmarking of collaborative filtering methods for classifieds},
author = {Robert Kwieciński and Agata Filipowska and Tomasz Górecki and Viacheslav Dubrov},
journal= {arXiv preprint arXiv:2301.07946},
year = {2023}
}