Trinity：融合多兴趣/长尾兴趣/长期兴趣于一体
信息检索
2024-02-06 v1 机器学习
摘要
推荐系统中的兴趣建模一直是提升用户体验的持续课题，许多现有工作已经研究了典型的兴趣建模任务（例如多兴趣、长尾兴趣和长期兴趣）。然而，它们大多孤立地考虑单一兴趣，而忽略了它们之间的相互关系。在本文中，我们认为这些任务都面临一个共同的“兴趣遗忘”问题，并且存在一个解决方案可以同时缓解它。我们发现长期线索可以成为基石，因为它们揭示了多兴趣并阐明了长尾兴趣。受此观察启发，我们在召回阶段提出了一个新颖且统一的框架“Trinity”，以解决兴趣遗忘问题并改进多个兴趣建模任务。我们构建了一个实时聚类系统，使我们能够将物品投影到可枚举的聚类中，并计算这些聚类上的统计兴趣直方图。基于这些直方图，Trinity能够识别出交付不足的主题，并在面对新兴热门话题时保持稳定。Trinity因其适度的计算开销而更适合大规模工业场景。其衍生的召回器已部署在抖音的推荐系统上，显著提升了用户体验和留存率。我们相信这种实践经验可以很好地推广到其他场景。
引用
@article{arxiv.2402.02842,
title = {Trinity: Syncretizing Multi-/Long-tail/Long-term Interests All in One},
author = {Jing Yan and Liu Jiang and Jianfei Cui and Zhichen Zhao and Xingyan Bin and Feng Zhang and Zuotao Liu},
journal= {arXiv preprint arXiv:2402.02842},
year = {2024}
}