KDD 2020|可调控的多兴趣推荐框架

论文： Controllable Multi-Interest Framework for Recommendation
作者：Yukuo Cen, Jianwei Zhang, Xu Zou, Chang Zhou, Hongxia Yang, Jie Tang
会议：In Proceedings of the Twenty-Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'20)
Paper link: https://www.aminer.cn/pub/5ec48cc4da5629efe0884e02
Code link: https://github.com/THUDM/ComiRec
 
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，用户 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形。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（SA 表示基于自注意力的方法，DR 表示基于动态路由的方法）。

我们基于一个实际用户进行了案例分析。我们的多兴趣抽取模块从用户的历史点击序列中学习到了用户近期的四种不同的兴趣，包括甜品、礼物盒、手机壳以及小配件。左侧是用户点击过的商品，右侧是对应的兴趣表征从大规模商品池中召回回来的一些商品。

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.

想要了解更多学术进展、前沿科技资讯，参与学术头条每日话题讨论，可以扫描二维码或搜索AMiner308添加学术君微信，对学术君说: “我想进读者群”, 即可进入读者群，不定期发福利~

点击 阅读原文 ，查看更多精彩！

喜欢本篇内容，请 分享、点赞、在看