【WWW2021】 大规模组合K推荐

在信息爆炸的时代，推荐系统已经成为一种高效发现用户偏好的手段。多种多种的推荐范式也不断涌现。作为一种新颖的推荐范式，促销推荐可以很好的刺激用户购买欲望进而最大化收益。不同于传统的推荐(如商品推荐和组推荐)， 促销推荐(如图1所示)旨在在选择阶段考虑所有用户的偏好来选择一组K个商品并最大化投放阶段的收益。尽管上述两个阶段高度关联，现有的算法通常只关注于商品选择阶段，极大的忽略了投放阶段进而导致次优的结果。为了更好的解决促销推荐问题，我们提出了一种Comb-K推荐模型，一种带约束的组合优化问题。通过精心设计的一些约束，Comb-K可以无缝的整合选品与投放两个阶段，进而达到最优的投放效果。特别的，即使我们在选品阶段选择了K个商品构成了K-set，用户来投放阶段也只能看到K-set中的W个。而只有被用户看到的商品才可能真正的产生投放收益。尽管上述2个阶段高度相关，但是现有的算法并没有很好的考虑它，进而导致了次优的结果。

为了解决促销推荐问题，我们提出了Comb-K推荐模型，一个带约束的组合优化问题来实现更佳的选品效果。受益于精心设计的约束(尤其是投放窗口W的约束)，Comb-K推荐能够综合考虑选择阶段和投放阶段的情况。当选择K个商品时， Comb-K能够考虑所有用户的偏好来搜索最优的K个商品的组合。首先，我们设计异质图卷积来学习用户偏好并求解用户级别的Comb-K问题。进一步的，为了解决大规模组合爆炸的问题， 我们将海量用户聚集为少量人群，并在人群级别求解Comb-K问题。这里，我们提出了一个异质图池化模型来进行人群聚类和人群偏好估计。除此之外，我们还设计了一个快速求解策略RNHS来加速Comb-K的求解过程。最后，在大规模数据上验证了我们模型的有效性。