基于实时注意力的推荐系统相似人群模型

近年来，深度学习模型在内容推荐系统中发挥着越来越重要的作用。然而，尽管推荐性能大幅提升，“马太效应”却愈发明显。头部内容越来越受欢迎，而许多有竞争力的长尾内容因缺乏行为特征难以获得及时曝光。该问题严重影响了推荐的质量与多样性。为解决此问题，相似人群算法是高质量长尾内容扩展受众的良好选择。但传统广泛用于在线广告的相似人群模型因对实时性与有效性的严苛要求而不适用于推荐系统。本文提出一种用于推荐系统的基于实时注意力的相似人群模型（RALM），解决了实时性与有效性之间的冲突难题。RALM借助种子到用户的相似度预测实现实时相似人群受众扩展，并通过优化用户表征学习与相似人群学习建模提升有效性。在用户表征学习方面，我们提出一种名为注意力融合层（attention merge layer）的新型神经网络结构以替代拼接层，显著提升了多字段特征学习的表达能力。另一方面，考虑到种子成员的多样性，我们设计全局注意力单元与局部注意力单元，针对特定目标用户学习鲁棒且自适应的种子表征。最后，我们引入种子聚类机制，既降低了注意力单元预测的时间复杂度，又同时将种子信息损失降至最小。实验表明，RALM相较主流相似人群模型展现出更优的有效性与性能。