大规模在线视频服务中基于多图的多场景推荐
人工智能
2022-05-06 v1 机器学习
摘要
近年来，工业推荐服务因深度学习方法的持续升级而得到推动。然而，它们仍面临曝光偏差和冷启动问题等去偏挑战，其中机器学习在人机交互历史上训练的周期循环导致算法反复推荐已曝光物品而忽略低活跃度物品。多场景平台还存在额外问题，例如来自附属场景的适当数据融合，我们观察到可通过基于消息传递的图结构数据整合得以缓解。本文提出一种多图结构的多场景推荐方案，其利用多图封装跨场景交互数据并通过图学习获得表示。在真实世界数据集上进行了大量离线与在线实验，所提方法相较已部署的一组基线在新用户上的点击率（CTR）和人均视频观看量分别提升0.63%和0.71%，并且在增加外部场景视频数量25%和视频观看量116%方面优于常规方法，验证了其在激活冷门视频和丰富目标推荐方面的优越性。
引用
@article{arxiv.2205.02446,
title = {Multi-Graph based Multi-Scenario Recommendation in Large-scale Online Video Services},
author = {Fan Zhang and Qiuying Peng and Yulin Wu and Zheng Pan and Rong Zeng and Da Lin and Yue Qi},
journal= {arXiv preprint arXiv:2205.02446},
year = {2022}
}
备注
Accepted to WWW 2022 Graph Learning workshop