面向模型无关匹配的负样本重加权方法
信息检索
2022-07-07 v1
摘要
推荐系统（RS）作为从海量语料中发现用户感兴趣物品的高效工具，已吸引学术界与工业界越来越多的关注。作为推荐系统的初始阶段，大规模匹配基础而具挑战性。典型做法是利用双塔架构学习用户与物品表示，再计算两表示向量间的相似度得分，然而如何妥善处理负样本仍困扰着该方法。本文发现，从整个空间随机采样负样本并等同对待并非最优选择，因为不同阶段的来自不同子空间的负样本对匹配模型具有不同重要性。为解决此问题，我们提出一种名为无偏模型无关匹配方法（UMA）的新方法。它包含两个基础模块：1）通用匹配模型（GMM），其与模型无关，可实现为任意基于嵌入的双塔模型；2）负样本去偏网络（NSDN），其借鉴逆倾向加权（IPW）思想判别负样本并重加权 GMM 中的损失。UMA 将这两个模块无缝集成于端到端多任务学习框架中。在真实离线数据集与在线 A/B 测试上的大量实验均证明了其相对于最先进方法的优越性。
引用
@article{arxiv.2207.02468,
title = {Re-weighting Negative Samples for Model-Agnostic Matching},
author = {Jiazhen Lou and Hong Wen and Fuyu Lv and Jing Zhang and Tengfei Yuan and Zhao Li},
journal= {arXiv preprint arXiv:2207.02468},
year = {2022}
}