前文提到内容兴趣不够用,我们首先基于i2i尝试了商品与内容的混合协同,取得了一定的收益。然后基于电商兴趣的标题作相关内容的严格相似召回,却收益为负,这说明跨域的兴趣不可生搬硬套,也与前文的兴趣差异统计相吻合。
所以一个能胜任的召回模型,应满足以下期望:
-
{电商,内容}两个domain的历史行为都能用上;
-
交互序列是刻画用户精确意图的关键, 要能对序列建模而非孤立的交互单元;
-
既然两个domain兴趣差异存在, 就要能学到 电商兴趣到内容兴趣 的迁移规律。
基于以上理念, 我们设计了兴趣迁移 Interest Transfer Matching Model (In_Match for short),取得了以下显著收益(业务指标为内部数据,此处只列ab实验的相对提升)
-
推荐综合指标上,人均点击提升+11.17%,pv_ctr提升+12.16%;
-
大幅缓解推荐过于集中的状况,top内容的曝光占比下降25%;
-
该路向量召回大幅超越content-based feature对应的几路召回,甚至高于内容协同召回。
▐ 模型架构及主要贡献
图1-1.In_Match 的模型架构
图1-2.encoder-decoder 内部细节示例
主要贡献有:
-
multi modality
-
- 考虑到稀疏性,引入多模态性能提升+5%
-
semantic projection
-
- 填补 商品/内容 语义空间上的gap
-
基于decoder来学习[整个session]点击
-
- 学习session点击,相较next one ,SDM有对比收益
-
decoder架构更适