面向用户建模的多兴趣细粒度网络
信息检索
2021-12-07 v1 机器学习
摘要
用户建模在工业推荐系统中起着基础性作用,无论是在匹配阶段还是排序阶段,都关乎用户体验与商业收益。如何从用户历史行为序列中有效提取用户的多种兴趣,以提升推荐结果的相关性与个性化,仍是用户建模中的一个开放问题。大多数现有的基于深度学习的方法利用了物品ID和类别ID,却忽视了颜色和材质等细粒度特征,这阻碍了用户兴趣细粒度的建模。在本文中,我们提出多兴趣细粒度网络(MFN),其解决了用户多兴趣与细粒度兴趣问题,并从用户多兴趣之间的相似关系和组合关系两方面构建模型。具体而言,对于建模相似关系,我们利用两组嵌入,其中一组来自预训练模型(如Glove)的固定嵌入以给出注意力权重,另一组是可训练嵌入并与MFN一同训练。对于建模组合关系,利用自注意力层构建不同兴趣表示的高阶组合。在网络构建中,我们设计了一个基于注意力机制的兴趣提取模块,从用户历史行为序列中捕获多兴趣表示,并利用辅助损失增强兴趣表示间的区分度。随后应用一个分层网络来建模不同粒度的多兴趣向量与目标物品之间的注意力关系。我们在公开和工业数据集上评估了MFN。实验结果表明,所提出的MFN取得了优于其他现有代表性方法的性能。
引用
@article{arxiv.2112.02591,
title = {Multiple Interest and Fine Granularity Network for User Modeling},
author = {Jiaxuan Xie and Jianxiong Wei and Qingsong Hua and Yu Zhang},
journal= {arXiv preprint arXiv:2112.02591},
year = {2021}
}