本文介绍CIKM20上微信发表的一篇文章《Learning to Build User-tag Profile in Recommendation System》,主要介绍了微信看一看("Top Stories")中,如何进行用户对标签的兴趣建模,进而提升召回和推荐的效果。
文章下载地址为https://dl.acm.org/doi/pdf/10.1145/3340531.3412719。
1、背景
本文主要围绕微信看一看("Top Stories")这一场景进行介绍。首先看一下看一看场景下,整个的推荐流程:
可以看到,整个推荐系统架构主要包含四部分,新闻画像层(news profile layer),用户画像层(user profile layer),召回层(recall layer)和排序层(rank layer)。在新闻画像层,对新闻相关的特征如标签,类别等进行提取。在用户画像层,对用户的基本画像特征和行为特征进行建模。这里很重要的一块是对用户偏好标签的预测,这里将用户点击过的文章对应的标签集合作为候选集,基于后文将要介绍的模型对这些标签进行偏好预测,并用于后续阶段。随后是召回层,有多种召回方式,包括基于标签的召回、基于协同过滤的召回和基于模型的召回。最后是排序层,可以使用更为复杂的模型对召回层得到的结果进行精确的排序,最后展示给用户。
本文重点关注如何建模用户对于文章标签的偏好。本文提出了User Tag Profiling Model (UTPM),咱们在下一节进行介绍。
2、UTPM模型介绍
UPTM的整体结构如下图所示:
可以