关于两阶段推荐系统中组件交互的研究

得益于其可扩展性，两阶段推荐系统被当今许多最大的在线平台使用，包括YouTube、LinkedIn和Pinterest。这些系统分两步生成推荐：(i)多个提名器，为低预测延迟而调优，从整个物品池中预选一小部分候选；(ii)一个较慢但更准确的排序器进一步缩小提名物品范围，并服务于用户。尽管流行，关于两阶段推荐系统的文献相对稀少，且算法常被视为其各部分之和。这种处理假定两阶段性能可由孤立情况下各组件的行为解释。事实并非如此：使用合成与真实世界数据，我们证明排序器与提名器之间的交互显著影响整体性能。受这些发现驱动，我们推导了一个泛化下界，表明独立的提名器训练可能导致与均匀随机推荐相当的绩效。我们发现，仔细设计分配给不同提名器的物品池可缓解这些问题。由于手动搜索良好的池分配很困难，我们提议改用基于混合专家(Mixture-of-Experts)的方法来学习一个分配。这在K处显著提升了精确率与召回率。