走向两阶段推荐系统的理论理解

生产级推荐系统严重依赖于在线媒体服务（包括Netflix、Pinterest和Amazon）使用的大规模语料库。这些系统通过两阶段模型（两个深度神经网络）学习用户和物品在低维空间中的嵌入表示，从而丰富推荐，这些嵌入结构用于预测用户对物品的反馈。尽管两阶段推荐在推荐中很流行，但其理论行为仍未得到全面探索。我们研究了两阶段推荐器的渐近行为，该行为强烈收敛于最优推荐系统。我们建立了某些理论性质并给出了两阶段推荐器的统计保证。除了渐近行为，我们还证明了两阶段推荐系统通过依赖输入特征的内在维度实现了更快的收敛。最后，我们通过数值实验表明，两阶段推荐器能够封装物品和用户属性对评分的影响，从而在合成数据和真实数据实验中取得比现有方法更好的性能。