论文题目: Learning Tree-based Deep Model for Recommender Systems
论文地址: https://dl.acm.org/doi/abs/10.1145/3219819.3219826
论文发表于: KDD 2018(CCF A类会议)
论文所属单位: Alibaba
论文大体内容:
本文主要提出了TDM(Tree-based Deep Model)方法,用于优化推荐系统中触发的问题;
Motivation:
常见的模型触发方法是Tower,然后使用ANN进行触发,但是效果不够优且性能不够好(训练时计算内积是瓶颈);
向量检索不太方便做用户和商品之间的特征组合关系,而本文提出的TDM允许容纳任意先进的模型而非限定内积形式,并且能够对全量候选集进行更好的推荐;
Contribution:
①TDM因为在serving时是对数复杂度,所以可以支持任意大模型;
②TDM的层次搜索能给出更优的效果;
③树形结构和NN的联合学习;
④实验证明TDM效果更优;
1. 树的结构是最大堆结构,父节点的值等于最大的儿子节点值,从而可以由顶向下搜索;
2. 树的更新方式
①树的初始化:根据photo的类目体系进行树的初始化;
②数的更新:使用k-means聚类,每次分裂为等数据的2部分;
3. TDM使用了同层级的随机负采样方式;
4. 预测时对树的搜索,时间复杂度是 2*k*log|C| ,因为这里是二叉树,所以每一层最多探索 2*k 个节点;
5. 模型结构如下图,采用类似于EM的思想,NN与树结构是联合学习的,过程如下:
①初始化树,然后跑NN只到收敛;
②根据新的叶子节点embedding(photo embedding),重建树;
③跑NN,再重建树,如此反复;
实验
6. Dataset
①MovieLens-20M
②UserBehavior(Taobao advertising dataset)
7. Baseline
①FM;
②BPR-MF;
③Item-CF;
④YouTube product-DNN;
⑤TDM attention-DNN;
8. Metric
①Precision;
②Recall;
③F1;
9. 实验结果
以上均为个人见解,因本人水平有限,如发现有所错漏,敬请指出,谢谢!