面向首页推荐系统的带多样化曝光约束的重排序方法
信息检索
2021-12-15 v1 机器学习
摘要
大多数电子商务应用的首页推荐以分层方式放置物品，不同频道以不同样式展示物品。现有算法通常优化单一频道的性能。因此，设计模型以获得最大化整个首页点击率（CTR）的最优推荐列表是一个具有挑战性的问题。除准确性目标外，首页展示的多样性也很重要，因为同质化展示通常会损害用户体验。本文提出一种首页推荐系统的两阶段架构。在第一阶段，我们开发高效算法将物品推荐至合适频道并保持多样性。两种方法可结合：带多样性约束的用户-频道-物品预测模型。在第二阶段，我们在每个频道内提供有序物品列表。现有重排序模型难以描述频道内与频道间物品的相互影响。因此，我们提出一种用于首页推荐系统的深度分层注意力网络重排序（DHANR）模型。该分层注意力网络由物品编码器、物品级注意力层、频道编码器和频道级注意力层组成。我们的方法在离线实验的准确率、列表内平均距离（ILAD）和频道级 Precision@k 指标上，以及在线系统的 CTR 和 ILAD 指标上均取得显著提升。
引用
@article{arxiv.2112.07621,
title = {Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System},
author = {Qi Hao and Tianze Luo and Guangda Huzhang},
journal= {arXiv preprint arXiv:2112.07621},
year = {2021}
}
备注
8pages,7figures