POSIT：通过对抗学习提升语义长尾物品

在许多推荐场景中，少数流行物品（如电影/电视节目、新闻等）会在面向众多用户的推荐中占据主导。然而，我们知道在大型物品目录中，用户可能感兴趣的不只是流行物品。流行物品的主导地位可能意味着用户将看不到他们或许会喜欢的物品。本文中，我们提出一种利用对抗机器学习克服该问题的技术。我们定义了一种度量，以相对于物品的优势/劣势来转译用户级效用度量。随后我们在对抗学习框架中使用该度量来系统性地提升处于劣势的物品。独特的是，我们的方法集成了一个小容量模型来产生具有语义意义的权重，从而得到一个在学习过程中识别并提升语义相似物品的算法。在实证研究中，我们在三个公开可用数据集和七个竞争性基线上评估了所提技术。结果显示，我们提出的方法不仅提升了覆盖率，而且出人意料地提升了整体性能。