面向多场景个性化推荐的场景自适应自监督模型
信息检索
2022-08-25 v1 人工智能
机器学习
摘要
多场景推荐致力于在多个场景中为用户检索相关物品，这在工业推荐系统中十分普遍。这些场景在用户与物品上享有部分重叠，而不同场景的分布各异。多场景建模的关键在于高效最大化全场景信息的利用，并为多场景中用户与物品细粒度地生成自适应表示。我们总结了多场景建模中尚未很好解决的三个实际挑战：（1）缺乏多场景间细粒度且解耦的信息迁移控制。（2）对整个空间样本的利用不足。（3）物品的多场景表示解耦问题。本文提出场景自适应自监督（SASS）模型以解决上述三个挑战。具体地，我们设计了具有场景自适应门单元的多层场景自适应迁移（ML-SAT）模块，以极细粒度且解耦的方式从全场景向各别场景筛选并融合有效迁移信息。为充分挖掘整个空间样本的能力，引入了包含预训练与微调的两阶段训练过程。预训练阶段基于场景监督对比学习任务，训练样本抽取自有标签与无标签数据空间。模型在用户侧与物品侧对称构建，从而可获得物品在不同场景中的可区分表示。在公开与工业数据集上的大量实验结果证明了 SASS 模型相对于 SOTA 方法的优越性。该模型在在线 A/B 测试中也实现了每用户平均观看时长超过 8.0% 的提升。
引用
@article{arxiv.2208.11457,
title = {Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation},
author = {Yuanliang Zhang and Xiaofeng Wang and Jinxin Hu and Ke Gao and Chenyi Lei and Fei Fang},
journal= {arXiv preprint arXiv:2208.11457},
year = {2022}
}
备注
Accepted by CIKM 2022