推荐系统中基于自蒸馏的多粒度点击置信度学习
信息检索
2023-09-29 v1
摘要
推荐系统依赖历史点击来学习用户兴趣并提供合适物品。然而，现有研究倾向于平等对待点击，可能忽略不同点击中用户兴趣的异质强度。本文旨在实现推荐中基于自蒸馏的多粒度点击置信度学习（CLSD）。由于点击置信度缺乏监督信号，我们首先应用自监督学习，通过全局自蒸馏方法获得点击置信度分数。此后，我们定义局部置信度函数以在用户组级别调整置信度分数，因为置信度分布在不同用户组间可能存在差异。结合多粒度置信度学习，我们能在不引入额外数据和模型结构的情况下区分点击质量并更精确地建模用户兴趣。在真实推荐系统的工业离线及在线实验中，基于不同骨干模型的显著提升证明了我们模型的有效性。近期，CLSD已部署于大规模推荐系统，影响超4亿用户。
引用
@article{arxiv.2309.16322,
title = {Multi-Granularity Click Confidence Learning via Self-Distillation in Recommendation},
author = {Chong Liu and Xiaoyang Liu and Lixin Zhang and Feng Xia and Leyu Lin},
journal= {arXiv preprint arXiv:2309.16322},
year = {2023}
}