面向统一在线 Top-K 推荐的鲁棒表示学习

在大规模工业电子商务中，在线推荐系统的效率对于提供高度相关的商品/内容广告以满足多样化业务场景至关重要。然而，现有研究大多仅关注商品广告，忽视了内容广告的重要性。这一疏忽导致多实体结构内部的不一致以及检索的不公平。此外，从不同域中检索多实体广告的 top-k 广告的挑战进一步增加了复杂性。近期研究证明，不同域内的用户-实体行为表现出差异性与同质性的特征。因此，多域匹配模型通常依赖于具有域不变与域特定表示的混合专家框架。遗憾的是，大多数方法主要关注优化不同专家的组合模式，未能解决专家模块自身优化的固有困难。不同域间冗余信息的存在引入了专家间的干扰与竞争，而各域不同的学习目标导致专家间存在不同的优化挑战。为解决这些问题，我们提出了面向统一在线 top-k 推荐的鲁棒表示学习。我们的方法在实体空间中构建统一建模以确保数据公平性。该鲁棒表示学习采用域对抗学习与多视角 Wasserstein 分布学习来学习鲁棒表示。此外，所提方法通过同方差不确定性权重与正交约束来平衡冲突目标。多种实验验证了我们所提方法的有效性与合理性，该方法已成功部署上线以服务真实业务场景。