KDD2020|PinnerSage:Pinterest推荐中的多模式用户嵌入框架

PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest

https://dl.acm.org/doi/pdf/10.1145/3394486.3403280

背景

和阿里那篇多兴趣推荐论文相似，出发点都是单一的用户embedding没法很好的表示用户的多个兴趣，所以提出了一个多模式的用户嵌入方式，使用层次化聚类的方法将用户行为历史的点击物品聚为k个类别来表示用户的兴趣。

如上图所示，用户关注的三个类别分别是绘画、鞋子和科技，但是单一的用户embedding在对上述三个物品embedding进行mean pooling操作后得到的用户embedding映射是食物，偏离了用户的真实兴趣。

PinnerSage的设计选择

物品的向量是固定的：基于推荐实时性和一致性的考量。

用户的表示向量数目不固定：为了更好的建模用户的多兴趣。

用Medoids方法表示用户聚类：不是对聚类取均值，而是根据策略选取类中的某个物品embedding表示这个类。

Medoid采样得到推荐候选集：从某个用户所有的聚类表示中选择3个最为集中的代表这个用户兴趣。

处理实时更新的两步策略：1.根据用户的长期交互历史推断用户的medoid。2.根据用户的当天点击信息得到实时的medoid。

最近邻系统：根据一个查询在embedding空间中得到最接近查询的物品。

PinnerSage算法

第一步：聚类用户行为。具体要求是：类中的物品尽可能相似，并且聚类数目是由算法决定并不是人为规定的。所以选择了Ward层次化聚类算法来达到上述目标。

第二步：表示每个聚类结果。为了使表示结果更具有鲁棒性，对于每个聚类表示并不是取所有embedding的均值，而是选择类中的某个物品，使这个物品与类中的其他物品距离最小，具体优化目标如下：

第三步：类别重要性。使用时间衰减的重要性估算方法。

实验

可视化结果：可以看到用户最为关注的三个类别是球鞋、音响和食物，所以在推荐时根据这三个类别得到用户的推荐列表。

A/B测试：用户使用PinnerSage和单一embedding方法的对比，表明文中方法的有效性：

对比不同的选择聚类策略，表明了PinnerSage的优势：

总结

PinnerSage提出了一种基于多嵌入的用户表示方案。提出的聚类方案确保充分了解用户的需求并给出个性化的推荐结果。