上下文的长尾：它存在且重要吗？
信息检索
2022-10-04 v1 机器学习
摘要
在过去二十年中，上下文一直是推荐系统中的重要主题。一种标准的上下文表示方法假定在某一应用中上下文变量及其结构是已知的。遵循表示法的大多数先前CARS论文手动选择并仅考虑了应用中少数关键上下文变量，如时间、地点与人员所属公司。这些先前工作表明，在各种应用中部署基于CARS的方法时推荐性能有显著提升。然而，某些推荐系统应用处理的上下文类型多且广，在此类情况下手动识别并捕获少数上下文变量是不够的。在本文中，我们研究此类处理大量不同类型上下文的“富上下文”应用。我们证明仅支持少数最重要的上下文变量虽有助益但并不充分。在我们的研究中，我们聚焦于在客服代表发起的对话上下文中向商业客户推荐各类银行产品的应用。在此应用中，我们成功识别了超过两百种类型的上下文变量。按重要性对这些变量排序形成了上下文的长尾（LTC）。在本文中，我们通过经验证明LTC是重要的，且使用来自长尾的所有这些上下文变量带来了推荐性能的显著提升。
引用
@article{arxiv.2210.01023,
title = {The Long Tail of Context: Does it Exist and Matter?},
author = {Konstantin Bauman and Alexey Vasilev and Alexander Tuzhilin},
journal= {arXiv preprint arXiv:2210.01023},
year = {2022}
}