基于用户表征排斥的多塔多兴趣推荐

在信息过载时代，推荐系统的价值在学术界和工业界均得到深刻认可。多兴趣序列推荐尤其是近年来备受关注的子领域。通过生成多个用户表征，多兴趣学习模型在理论和经验上均展现出优于单用户表征模型的表达能力。尽管该领域取得了重大进展，但三个主要问题继续困扰着多兴趣学习方法的性能和可采纳性：训练与部署目标之间的差异、无法获取物品信息，以及因其单塔架构导致的工业界采用困难。我们通过提出一种带有用户表征排斥的新型多塔多兴趣框架来解决这些挑战。在多个大规模工业数据集上的实验结果证明了我们提出框架的有效性和泛化能力。