论文荐读：可调控的多兴趣推荐框架

Yukuo Cen, Jianwei Zhang, Xu Zou, Chang Zhou, Hongxia Yang, Jie Tang. Controllable Multi-Interest Framework for Recommendation. In Proceedings of the Twenty-Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'20).

Paper: http://keg.cs.tsinghua.edu.cn/jietang/publications/KDD20-Cen-et-al-Controllable-Multi-Interest-Recommendation.pdf

神经网络模型目前已经被广泛地应用于各种推荐系统中。这些基于神经网络的推荐算法通常只会从用户的行为序列中学习到一个用户表征向量，但是这个统一的表征向量往往无法反映用户在一段时期内的多种不同的兴趣。以下图为例，Emma 的商品点击序列反映了她近期三种不同的兴趣，包括珠宝、手提包和化妆品。我们提出了一种可调控的多兴趣推荐框架来解决这种情况。多兴趣抽取模块会从用户的点击序列中捕获到用户多种不同的兴趣，然后可以用来召回一些相似的商品。聚合模块会将这些不同兴趣召回的商品整合起来作为推荐的候选商品，供下游的任务来使用。

对于多兴趣抽取模块，我们参考了已有的工作 MIND[1]。MIND 首先将 capsule network[2] 中的 dynamic routing 算法用于抽取用户的多兴趣。在我们的工作中，我们不仅尝试了 dynamic routing 算法，还探索了基于 self-attention 的方法来作为我们的多兴趣抽取模块。事实上，使用哪种方法来作为多兴趣抽取模块仍然值得进一步的探索。通过多兴趣抽取模块得到用户的表征之后，如何更好地利用用户的多兴趣表征来帮助下游的任务是一个非常值得研究的问题。在这一点上，我们提出了一种可调控的聚合模块。给定用户的多兴趣表征，一种最直接的方式是把商品和用户的相似度定义为商品与该用户最相关的兴趣之间的得分。这种方式能够最大化推荐的精度，但是没有充分利用用户的多兴趣表征。我们提出的可调控的聚合模块可以根据用户的多兴趣表征来调控推荐的精度和多样性。提升推荐的多样性能够在一定程度上改善用户的体感。整个框架的 training 和 serving 过程如下图所示。

我们在 2 个公开数据集 Amazon 和 Taobao 数据集上进行了实验，验证了我们所提出的模型的有效性。如下表所示，在 2 个数据集上，我们提出的 ComiRec-SA/DR 取得了最好的效果。

我们在 Amazon 数据集上进行了调控实验。当我们增大因子 λ 时，推荐的 recall 指标会有些许下降，但是推荐的多样性会显著地提升。

References:

[1] Li, Chao, et al. "Multi-interest network with dynamic routing for recommendation at Tmall." Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019.

[2] Sabour, Sara, Nicholas Frosst, and Geoffrey E. Hinton. "Dynamic routing between capsules." Advances in neural information processing systems. 2017.

往期回顾：

Science：有调查有真相！某些AI领域多年无实际进展

美国拟驱逐三千名中国军校相关留学生，网友：里边至少10个钱学森

过度医疗背后：BMJ揭示235位医学协会领导与产业界的1.3亿美元往来

[关于转载]：本文为“AMiner”官网文章。转载本文请联系原作者获取授权，转载仅限全文转载并保留文章标题及内容，不得删改、添加内容绕开原创保护，且文章开头必须注明：转自“AMiner”官网。谢谢您的合作。