多塔多兴趣推荐与用户表达驱散

SIGIRMar, 2024

Multi-Tower Multi-Interest Recommendation with User Representation Repel

Tianyu Xiong, Xiaohan Yu

TL;DR在信息过载的时代，推荐系统的价值在学术界和工业界都被广泛认可。尤其是多兴趣顺序推荐，是一个近年来受到越来越多关注的子领域。通过生成多个用户表示，多兴趣学习模型在理论和实证上都展示了比单个用户表示模型更出色的表现。尽管该领域有了重大进展，但仍然存在三个主要问题困扰着多兴趣学习方法的性能和可采用性，即训练和部署目标之间的差异，无法访问项目信息以及由于其单塔架构所导致的工业应用难度。我们通过提出一种具有用户表示排斥的新型多塔多兴趣框架来解决这些挑战。多个大规模工业数据集上的实验结果证明了我们提出的框架的有效性和泛化能力。

Abstract

In the era of information overload, the value of recommender systems has been profoundly recognized in academia and industry alike. Multi-interest sequential recommendation, in particular, is a subfield that has been receiving increasing attention in recent years. By generating multipl

recommender systems multi-interest sequential recommendation multi-interest learning models multi-tower multi-interest framework user representation repel

发现论文，激发创造

每个人的偏好变化不同：加权多兴趣检索模型

本文提出一种名为多兴趣偏好模型的方法，可以更有效地利用用户的顺序交互产生多个用户嵌入并自动学习一组权重来表示用户对每个嵌入的偏好，从而可以按比例从每个兴趣中检索候选项。

Jul, 2022

可控制的多兴趣推荐框架

本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

May, 2020

Tmall 多兴趣网络动态路由推荐

本文提出了一种名为 MIND 的新颖模型，通过多向量编码用户多样的兴趣来解决工业推荐系统中的候选物品匹配和排序问题，并通过对公共基准数据集和天猫的大规模产业数据集进行广泛实验，证明了 MIND 的出色性能。

Apr, 2019

Trinity: 一站式综合多元 / 长尾 / 长期利益的融合

我们提出了一种名为 “Trinity” 的新型和统一的框架，在检索阶段解决了兴趣遗忘问题和改进了多兴趣建模任务。在 Douyin 的推荐系统中部署后，显著改善了用户体验和留存，我们相信这种实际经验可以推广到其他场景。

Feb, 2024

MISSRec：用于推荐的预训练和迁移多模态兴趣感知序列表示

该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐，以解决现有基于 ID 特征的推荐方法在稀疏 ID 和冷启动问题方面的性能不佳的问题。通过在用户和候选项两方面分别设计 Transformer-based 的编码器 - 解码器模型和动态融合模块，MISSRec 能够实现更鲁棒且可迁移的序列表示，该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。

Aug, 2023

面向个性化推荐的群体感知兴趣解缠式双训练

个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。

Nov, 2023

深度稳定多兴趣学习用于序列推荐中的分布外情况

该研究提出了一种名为 DESMIL 的新型多兴趣网络，通过使用注意模块提取多个兴趣，并基于 Hilbert-Schmidt 独立性标准（HSIC）估计加权相关性损失，从而最小化提取的兴趣之间的相关性，解决了现有多兴趣推荐模型没有考虑兴趣分布更改可能导致的泛化问题。

Apr, 2023

HieRec: 面向个性化新闻推荐的层次化用户兴趣建模

该研究提出了 HieRec，一种基于层次化用户兴趣模型的新闻推荐方法，使用三级层次结构表示用户的兴趣，并使用层次匹配框架实现更准确的用户兴趣目标定位，实验结果表明该方法能够有效改善个性化新闻推荐的用户建模效果。

Jun, 2021

通过个性化兴趣可持续性实现的连续推荐

本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

Sep, 2022

一个平台无关的推荐框架：基于用户兴趣感知的物品嵌入

我们提出了一种新颖的兴趣感知胶囊网络（IaCN）推荐模型，该模型直接学习面向兴趣的物品表示，通过不需要大规模重设计的方式，在现有的推荐模型中实现联合学习，实验证明该方法在各种推荐模型下表现出显著的性能提升。

Aug, 2023