面向电商多场景推荐的情景感知与互学习方法
信息检索
2020-12-17 v1 机器学习
摘要
推荐系统（RS）对于电商平台至关重要，有助于满足用户海量需求。如何在异构电商场景中捕捉用户兴趣并做出准确推荐仍是持续的研究课题。然而，大多数现有研究忽视了场景间的内在关联：从平台收集的对数数据可自然划分为不同场景（如国家、城市、文化）。我们观察到，由于场景间存在巨大差异，这些场景是异构的。因此，统一模型难以有效捕捉多场景间复杂的相关性（如差异与相似性），从而严重降低推荐结果的准确性。本文针对电商多场景推荐问题，提出一种名为情景感知互学习（SAML）的新颖推荐模型，该模型利用多场景间的差异与相似性。我们首先引入情景感知特征表示，将嵌入与注意力模块转换为并行地将特征映射到全局与场景特定子空间。随后引入辅助网络对所有场景间的共享知识建模，并使用多分支网络对特定场景间的差异建模。最后，我们采用一种新颖的互单元自适应学习各场景间的相似性，并将其融入多分支网络。我们在公开与工业数据集上进行了广泛实验，实证结果表明 SAML 持续且显著优于 SOTA（最先进）方法。
引用
@article{arxiv.2012.08952,
title = {Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce},
author = {Yuting Chen and Yanshi Wang and Yabo Ni and An-Xiang Zeng and Lanfen Lin},
journal= {arXiv preprint arXiv:2012.08952},
year = {2020}
}