POSO：面向大规模推荐系统的个性化冷启动模块
信息检索
2021-08-25 v4
摘要
面向新用户的推荐，也称为用户冷启动，一直是在线推荐系统公认的挑战。现有大多数方法将核心问题视为初始数据的缺乏。然而，本文中我们指出存在被忽视的问题：1) 新用户的行为分布与常规用户存在显著差异。2) 尽管包含了个性化特征，但严重不平衡的样本阻碍了模型平衡新/常规用户分布，仿佛个性化特征被淹没。我们将此问题命名为个性化的“淹没”。为解决此问题，我们提出了一种新模块：个性化冷启动模块（POSO）。从模型架构角度考虑，POSO 通过引入多个用户群体专用子模块来实现现有模块的个性化。随后，通过个性化门控融合其输出，从而得到综合表示。通过这种方式，POSO 将不平衡的特征映射到均衡的模块。POSO 可以灵活集成到许多现有模块中，并以可忽略的计算开销有效提升其性能。所提方法在工业场景中展现出显著优势。它已部署于 Kwai 的大规模推荐系统上，大幅提升了新用户观看时长（+7.75%）。此外，POSO 还可进一步推广至常规用户、不活跃用户和回流用户（观看时长提升 +2%-3%），以及物品冷启动（观看时长提升 +3.8%）。其有效性也在公开数据集（MovieLens 20M）上得到了验证。我们相信这种实践经验可以很好地推广到其他场景。
引用
@article{arxiv.2108.04690,
title = {POSO: Personalized Cold Start Modules for Large-scale Recommender Systems},
author = {Shangfeng Dai and Haobin Lin and Zhichen Zhao and Jianying Lin and Honghuan Wu and Zhe Wang and Sen Yang and Ji Liu},
journal= {arXiv preprint arXiv:2108.04690},
year = {2021}
}