使用双边分支网络推荐准确且多样的条目

推荐系统因能融入用户个人偏好，已在在线平台中发挥重要作用。除准确性外，多样性已被视为推荐中拓宽用户视野并促进企业销售的关键因素。然而，准确性与多样性之间的权衡仍是一大挑战，且数据与用户偏差尚未被探索。本文中，我们为准确且多样化的推荐开发了一种自适应学习框架。我们将计算机视觉领域近期提出的双边分支网络（bilateral branch network）从图像分类推广至条目推荐。具体而言，我们通过自适应平衡双边分支网络中常规分支的准确推荐与自适应分支的多样化推荐，来编码领域级多样性。我们还通过在每个分支中使用双向自适应度量学习骨干网络来捕获用户级多样性。我们在三个真实世界数据集上进行了大量实验。结果表明，我们所提方法一致地优于最先进的基线。