基于元路径与改进注意力GRU的查询式交互推荐
信息检索
2019-07-04 v1 机器学习
摘要
近年来，交互式推荐系统日益流行。其洞察在于，通过用户与系统的交互，(1) 用户可以主动干预推荐结果，而非被动接收；(2) 系统能更多地了解用户，从而提供更好的推荐。我们关注单轮交互，即系统向用户提问（步骤1），并利用其反馈生成更好的推荐（步骤2）。本文提出了一种新颖的基于查询的交互式推荐系统，其中步骤1从数百万个自动构建的问题中精确生成个性化问题，步骤2确保推荐与用户反馈紧密相关。我们将步骤1转化为查询推荐任务、步骤2转化为检索任务来实现上述目标。前者是我们的关键挑战。我们首先提出一种基于元路径（Meta-Path）的模型，从大规模查询池中高效检索数百个查询候选。然后开发一种改进的注意力GRU（Attention-GRU）模型，对这些候选进行有效排序以供推荐。在中国大型电商平台淘宝上的离线与在线实验验证了我们的交互系统的有效性。该系统自2018年11月11日起已在淘宝App首页投入生产（其在线工作方式见 https://v.qq.com/x/page/s0833tkp1uo.html）。我们的代码与数据集公开于 https://github.com/zyody/QueryQR。
引用
@article{arxiv.1907.01639,
title = {Query-based Interactive Recommendation by Meta-Path and Adapted Attention-GRU},
author = {Yu Zhu and Yu Gong and Qingwen Liu and Yingcai Ma and Wenwu Ou and Junxiong Zhu and Beidou Wang and Ziyu Guan and Deng Cai},
journal= {arXiv preprint arXiv:1907.01639},
year = {2019}
}
备注
9 pages, 6 figures, submitted to CIKM 2019 Applied Research Track