面向基于ID的推荐学习类别树：探索可微向量量化的威力

类别信息在提升推荐系统的质量与个性化方面起着关键作用。然而，物品类别信息并非总是可得，尤其在基于ID的推荐场景中。本文提出一种新颖方法，为基于ID的推荐自动学习并生成实体（即用户或物品）类别树。具体而言，我们设计了一个用于自动类别树生成的可微向量量化框架，称为CAGE，它能够在从随机初始化状态开始的情况下，以端到端方式同时学习与精化类别码表示和实体嵌入。凭借其高适应性，CAGE可轻松集成到序列与非序列推荐系统中。我们在列表补全、协同过滤和点击率预测等多种推荐任务上，基于不同推荐模型验证了CAGE的有效性。我们发布了代码与数据以供他人复现所报告的结果。