面向富用户的富条目推荐：利用动态与静态辅助信息
机器学习
2020-07-28 v2 信息检索
机器学习
摘要
在本文中，我们研究了一种推荐系统问题，其中待推荐的用户和条目均为具有多种实体类型、并以图形式存在多源辅助信息的丰富数据结构。我们为该问题提供了一个通用表述，其捕捉了现代真实世界推荐的复杂性，并推广了许多现有表述。在我们的表述中，每个需要推荐的用户/文档以及每个待推荐的条目或标签，均由一组静态实体和一个动态分量建模。实体间的关系由若干加权二部图刻画。为有效利用这些复杂交互并学习推荐模型，我们提出了 MEDRES——一种基于多图 CNN 的新型深度学习架构。MEDRES 使用 AL-GCN（一种新颖的图卷积网络模块），从底层图中提取强代表性特征。此外，为刻画不同用户与系统高度异质的互动以及待推荐条目数量的约束，我们提出了一种新颖的排序度量 pAp@k，以及直接优化该度量的方法。我们在两个基准上验证了方法的有效性：a) 引文数据，b) Flickr 数据。此外，我们给出了我们表述与 MEDRES 架构的两个真实世界案例研究。我们展示了我们的技术如何自然地对 Microsoft Teams (MSTeams) 产品中的消息推荐问题与团队推荐问题建模，并证明其比生产级模型准确率高 5-6 个百分点。
引用
@article{arxiv.2001.10495,
title = {Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information},
author = {Amar Budhiraja and Gaurush Hiranandani and Darshak Chhatbar and Aditya Sinha and Navya Yarrabelly and Ayush Choure and Oluwasanmi Koyejo and Prateek Jain},
journal= {arXiv preprint arXiv:2001.10495},
year = {2020}
}
备注
The first two authors contributed equally. 21 pages, 8 figures and 6 tables