推荐系统遇上深度学习(九十八)-[微信]推荐系统中更好地学习用户-标签偏好

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