面向异质物品推荐的跨类别兼容性学习

识别物品间关系是在线推荐系统的关键任务，以帮助用户发现功能互补或视觉兼容的物品。在服装推荐等领域，该任务尤其具有挑战性，因为成功的系统应能处理大规模物品语料库、其间海量关系以及所涉及的高维且语义复杂的特征。此外，待捕捉的“兼容性”人类概念超越单纯的相似性：两件物品要兼容——无论是牛仔裤和T恤，还是笔记本电脑和充电器——它们应在某些方面相似，但在其他方面系统性不同。本文提出一种新方法Monomer，用于在商品推荐场景中学习物品间复杂且异质的关系。近来，可扩展方法通过基于所涉商品内容学习相似性度量来解决此任务。我们的方法放宽了先前工作中固有的度量假设，并对多个局部化的“关联性”概念建模，从而揭示相关物品应系统性相似且系统性不同的方式。在定量上，我们表明我们的系统在大规模兼容性预测任务上达到了state-of-the-art性能，尤其在相关物品间存在显著异质性的情况下。在定性上，我们展示了可学习超越相似性的更丰富兼容性概念，且我们的模型能对异质内容做出有效推荐。