面向推荐候选生成的原型对比学习与自适应兴趣选择
信息检索
2022-11-24 v1
摘要
深度候选生成在大规模推荐系统中起着重要作用。它以用户历史行为为输入，学习用户与物品的潜嵌入以用于候选生成。文献中，传统方法存在两个问题。首先，一个用户具有多个嵌入以反映不同兴趣，且此种数量固定。然而，考虑到用户活跃度的不同层级，固定数量的兴趣嵌入是次优的。例如，较不活跃的用户相比活跃用户可能需要更少的嵌入来表示其兴趣。其次，负样本常由带有未观测监督的策略生成，且相似物品可能具有不同标签。该问题被称为类冲突。本文旨在改进典型的双塔 DNN 候选生成模型。具体而言，设计了一种自适应兴趣选择层，以端到端方式根据用户活跃度层级自适应学习用户嵌入数量。此外，我们提出一种原型对比学习模块来解决负采样引入的类冲突问题。大量实验评估表明，所提方案在多个基准上显著优于竞争基线。
引用
@article{arxiv.2211.12893,
title = {Prototypical Contrastive Learning and Adaptive Interest Selection for Candidate Generation in Recommendations},
author = {Ningning Li and Qunwei Li and Xichen Ding and Shaohu Chen and Wenliang Zhong},
journal= {arXiv preprint arXiv:2211.12893},
year = {2022}
}