带曝光约束的多通道综合推荐

综合推荐旨在从主信息流的不同通道联合推荐异构物品，已广泛应用于各类在线平台。尽管颇具吸引力，综合推荐要求排序方法从传统的用户-物品模型迁移至新的用户-通道-物品范式，以更好地捕捉用户在物品与通道两个层面的偏好。此外，实际信息流推荐系统通常对不同通道施加曝光约束以保障用户体验，这导致异构物品的联合排序难度更大。本文研究实际推荐系统中的带曝光约束综合推荐任务。我们的贡献有四方面。首先，我们将该任务建模为二值在线线性规划问题，并提出名为带曝光约束的多通道综合推荐（MIREC）的两层框架以获取最优解。其次，我们提出一种高效的在线分配算法，从全部用户请求在整个时间跨度上的全局视角确定不同通道的最优曝光分配。我们证明该算法在 $\mathcal{O}(\sqrt{T})$ 的 regret 界下以线性复杂度达到最优点。第三，我们提出一系列协同模型以确定每次用户请求时异构物品的最优布局。我们的模型中对用户兴趣、跨通道关联以及页面上下文的联合建模比现有模型更契合信息流产品的浏览特性。最后，我们在离线数据集与在线 A/B 测试上进行了大量实验以验证 MIREC 的有效性。所提框架现已在淘宝首页部署以服务主流量。