PURS：用于提升用户满意度的个性化意外推荐系统
信息检索
2021-06-08 v1 机器学习
摘要
经典推荐系统方法通常面临过滤气泡问题，即用户仅接收到其熟悉物品的推荐，从而感到厌倦与不满。为应对过滤气泡问题，意外推荐被提出，用于推荐显著偏离用户先前预期、从而通过呈现“新鲜”且此前未探索过的物品来令用户惊讶的物品。本文中，我们描述了一种新颖的个性化意外推荐系统（PURS）模型，该模型通过将意外性纳入推荐过程，在潜在空间中对用户兴趣进行多簇建模，并借助自注意力机制与合适意外激活函数的选择来实现个性化意外性。在三个真实世界数据集上的充分离线实验表明，所提 PURS 模型在准确率和意外性度量上均显著优于最先进的基线方法。此外，我们在一个大型视频平台阿里巴巴-优酷上进行了在线 A/B 测试，我们的模型在人均平均视频观看指标上实现了超过 3% 的提升。所提模型正由该公司部署中。
引用
@article{arxiv.2106.02771,
title = {PURS: Personalized Unexpected Recommender System for Improving User Satisfaction},
author = {Pan Li and Maofei Que and Zhichao Jiang and Yao Hu and Alexander Tuzhilin},
journal= {arXiv preprint arXiv:2106.02771},
year = {2021}
}
备注
Accepted to RecSys20