Jul, 2020

PinnerSage: Pinterest 多模态用户嵌入式框架推荐

PDF
TL;DR本文介绍了一种名为 PinnerSage 的个性化推荐系统，其中通过聚类用户的行为并对其进行代表性汇总，使用多模态嵌入为每个用户表示提供了丰富的表示，从而提供了高质量的个性化建议。作者通过离线和在线 A/B 实验表明，与单个 embedding 方法相比，PinnerSage 方法显著优越。
latent user representationspersonalized recommender systemsmulti-modal embeddingshierarchical clusteringa/b experiments
发现论文，激发创造
  • OmniSearchSage: Pinterest 搜索的多任务多实体嵌入

    OmniSearchSage 是一个可扩展且适用于 Pinterest 搜索的多功能系统，通过统一查询嵌入与钉子和产品嵌入的联合学习，使 Pinterest 的生产搜索系统的相关性提高了 8% 以上，参与度提高了 7% 以上，广告点击率提高了 5% 以上。

    Apr, 2024

  • Pinterest 个性化排名的全流程重新思考方法

    本研究旨在通过端到端的学习，从原始用户行为中进行个性化推荐引擎的革新，通过一种新的密集全行动损失，编码用户的长期兴趣来优化用户嵌入，通过直接学习实时操作序列来捕获用户的短期意图。通过离线和在线实验验证了新模型架构的性能，并解决了在生产中使用混合 CPU/GPU 设置服务这种复杂模型的挑战。

    Sep, 2022

  • 用于 Web 规模推荐系统的图卷积神经网络

    本文描述了一种在 Pinterest 上开发和部署的大规模深度推荐引擎 PinSage，它结合了高效的随机游走和图卷积来生成节点嵌入，并且使用数据驱动方法对其进行了训练。与先前的方法相比，PinSage 可以使计算更加高效并在离线指标、用户研究和 A/B 测试中生成更高质量的推荐。

    Jun, 2018

  • PinnerFormer: Pinterest 用户表示的序列建模

    介绍了一种新的基于序列模型的用户表示方式 PinnerFormer，使用全动作密集损失模拟未来长期行为，能够显著提高用户保留率和参与度，已在 2021 年秋季投入实际生产。

    May, 2022

  • 在 Pinterest 上学习视觉搜索的统一嵌入

    该论文描述了 Pinterest 如何使用多任务深度度量学习系统来学习单个统一的图像嵌入，以帮助用户浏览相关内容和搜索精确产品，还讨论了处理来自不同领域的图像的挑战，并通过离线指标、用户研究和在线 A/B 实验的全面评估证明，他们提出的统一嵌入法改进了 Pinterest 的可视化搜索产品的相关性和互动性。

    Aug, 2019

  • Pinterest 上的相关 Pin：现实世界推荐系统的演化

    这篇长期研究调查了 Pinterest 上关于推荐系统的 Related Pins 在三年的开发过程中从原型到现有状态的演变过程以及在此过程中所遇到的诸多挑战，最终提出了针对建立 Web-scale 推荐系统时所需面临的诸多难题的建议。

    Feb, 2017

  • 推特用户的 Pinterest 画板推荐

    本文提出了一种新型的 Pinboard 推荐系统，使用 MultiLabel 分类将 Twitter 用户的关注者映射到 Pinboard 主题，并使用视觉多样性方法为用户推荐相关的 Pinboard，该推荐系统在拥有 2000 个用户的数据集上进行了初步实验。

    Sep, 2015

  • 序列推荐的稀疏兴趣网络

    本文提出了一种名为 Sparse Interest Network（SINE）的方法，该方法使用 sparse-interest 模块自适应地为每个用户推断出一个稀疏的概念集，并相应地输出多个嵌入，以明确建模多个兴趣点用于下一个项目的推荐。

    Feb, 2021

  • 多模式贝叶斯嵌入：学习社交知识图谱

    本研究探讨在线社交网络与开放知识库之间的联系，提出一种基于多模态贝叶斯嵌入模型的算法 GenVector，通过学习潜在话题和生成单词和网络嵌入来将两种不同的数据形式，在共享潜在话题空间中表示。在三个数据集上的实验表明，该算法明显优于现有方法，并在 AMiner 上部署，显著降低了在线 A/B 测试中的错误率。

    Aug, 2015

  • 面向开放世界推荐：一种基于归纳模型的协同过滤方法

    本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

    Jul, 2020