面向实时推荐系统多样性提升的个性化重排序方法
信息检索
2020-04-22 v2 社会与信息网络
摘要
工业推荐系统的用户通常一次会收到一组物品的推荐列表。理想情况下，这种列表式推荐应向用户提供多样且相关的选项。然而在实践中，列表式推荐被实现为 Top-N 推荐。Top-N 推荐从候选集中选取前 N 个物品进行展示。该列表由一个排序函数生成，该函数从标注数据中学习以优化准确率。但是，Top-N 推荐可能导致次优结果，因为它独立关注每个物品的准确率而忽略了物品间的相互影响。因此，我们提出一种个性化重排序模型，用于提升真实推荐系统中推荐列表的多样性。所提出的重排序模型可轻松部署为任意现有排序函数之后的后续组件。该重排序模型通过采用个性化行列式点过程（Determinental Point Process, DPP）来提升多样性。DPP 已在一些推荐系统中用于改善多样性并增加用户参与度。然而，DPP 未考虑用户可能对多样性具有个体倾向这一事实。为克服该局限，我们的重排序模型提出个性化 DPP，以对每个用户建模准确率与多样性之间的权衡。我们在大规模工业推荐系统上实现并部署了个性化 DPP 模型。离线与在线实验结果均证明了我们所提重排序模型的有效性。
引用
@article{arxiv.2004.06390,
title = {Personalized Re-ranking for Improving Diversity in Live Recommender Systems},
author = {Yichao Wang and Xiangyu Zhang and Zhirong Liu and Zhenhua Dong and Xinhua Feng and Ruiming Tang and Xiuqiang He},
journal= {arXiv preprint arXiv:2004.06390},
year = {2020}
}