[4.10更新]推荐系统遇上深度学习(八十一)-[阿里]DMR：Matching和Ranking相结合的点击率预估模型...

本文介绍的论文是《Deep Match to Rank Model for Personalized Click-Through Rate Prediction》。
论文下载地址是：https://github.com/lvze92/DMR。

本文提出了一种将协同过滤思想融入Ranking阶段CTR预估模型的模型Deep Match to Rank(简称DMR)，提升了模型的个性化能力，并取得了不错的实验效果，一起来学习下。

1、背景

推荐系统通常分为两个阶段，即召回和排序阶段。在召回阶段会对用户和物品进行匹配，得到较小的一部分候选集进入到排序阶段。在召回阶段，协同过滤方法是最常用来计算用户和物品相关性的方法。在排序阶段，排序模型会对候选集的每个物品进行打分，然后选取得分最高的N个物品推荐给用户。而打分最为常用的方式是预测用户对物品的点击率。因此，点击率预估也受到了学术界和工业界众多研究者的关注。而本文也重点关注点击率预估问题。

对于点击率预估问题，个性化是提升其效果的一个重要的方面。个性化的一个重要方面就是对用户兴趣的刻画，如之前提到过的DIN、DIEN、DSIN等模型。但是这些模型忽略了建模用户和物品之间的相关性。用户和物品之间的相关性，可以直接衡量用户对目标商品的偏好强度。(下文中用户和物品的相关性，咱们用U2I相关性来表示)

表征U2I相关性，主要有基于矩阵分解和基于深度学习的方法。基于深度学习的方法，如咱们比较熟悉的Youtube的DNN召回模型。那么能否将这种类似YoutbueDNN的Deep Match的思想融入到Rank阶段的模型呢？答案是可以的，也就是本文要介绍的DMR模型(Deep Match to Rank)。

2、DMR模型介绍

DMR模型的整体结构如下：

咱们就按论文里的思路进行介绍，先介绍一下基础的模型，然后重点介绍图中的User-to-Item和Item-to-Item模块。

2.1