从多面学习：推荐中通过自蒸馏的多样化正样本增广
信息检索
2023-08-16 v1
摘要
个性化推荐依赖用户历史行为提供用户感兴趣的物品，因而严重受困于数据稀疏问题。有力的正样本物品增广有益于解决稀疏问题，而极少有工作能同时考虑这些增广训练标签的准确率与多样性。本工作中，我们提出一种新颖的模型无关多样化自蒸馏引导正样本增广(DivSPA)，用于准确且多样的正样本物品增广。具体而言，DivSPA首先根据用户整体兴趣、短期意图及相似用户，执行三类检索策略以收集高质量且多样的正样本物品候选。接着，施以自蒸馏模块对这些候选进行复核与重排，作为最终的正样本增广。大量离线与在线评估验证了所提DivSPA在准确率与多样性上的有效性。DivSPA简单有效，可便捷适配其他基模型与系统。目前，DivSPA已部署于多个广泛使用的真实推荐系统。
引用
@article{arxiv.2308.07629,
title = {Learning from All Sides: Diversified Positive Augmentation via Self-distillation in Recommendation},
author = {Chong Liu and Xiaoyang Liu and Ruobing Xie and Lixin Zhang and Feng Xia and Leyu Lin},
journal= {arXiv preprint arXiv:2308.07629},
year = {2023}
}