今天继续来介绍CIKM20上有关推荐系统的论文。本文介绍的是京东和百度的研究人员发表的有关在大规模电商推荐系统的多目标排序上的工作。论文将兴趣建模、多任务学习、偏置学习等几部分进行融合,提出了DMT模型(Deep Multifaceted Transformers),一起来看一下。
1、背景
推荐系统精排阶段的模型多种多样,包括树模型,基于神经网络的模型,基于强化学习的模型等等。在现实世界的大规模电商推荐系统中,精排阶段面临以下几方面的挑战:
1)多目标排序:在电商场景下,对自然结果(非广告)的排序往往不只按照点击率,而是多个目标的组合,如排序公式RS = a * CTR + b * CVR。
2)多类型用户行为:电商场景下用户通常有多种类型的行为,如点击、加购和下单。不同类型的行为对于不同的目标建模的作用是不同的。当前大多数的研究通常只考虑用户点击行为序列,如何有效地使用用户不同多样的行为类型进行多目标建模,仍是一个开发话题。
3)有偏的用户反馈:电商场景下,用户的行为是存在偏置的。最为常见的偏置为位置偏置(position bias),展示位置越靠前的商品,具有更高的概率被用户点击。而论文提出了另一种偏置,叫做近邻偏置(neighboring bias,小编暂且翻译为近邻偏置),即一个商品是否被点击,会受到其相邻展示商品的影响,