传统的推荐算法,比如协同过滤算法,往往都是在单一的情景下、对固定的用户和商品集合的推荐。然而,在一个Web应用中往往存在多个需要进行推荐的场景。比如在淘宝APP中,经常会有不同的分页面来展示满足不同需求的商品,每个分页面都需要向用户提供个性化的推荐来最大化用户的购买行为。同时,不同推荐场景的背景信息对提供推荐可能非常关键。比如在双11购物节,用户为了“拼单”会购买很多平常不会购买的商品。在这种场景下用户的行为模式就会与平常出现比较大的差异。
为用户提供不同场景下的推荐有如下几个挑战。首先是场景的冷启动问题。在现实中场景受到的关注往往是符合长尾效应的,有很大一部分场景在启动初期得到的关注较少,这意味着在该场景下的训练数据较少,对于目前已有的推荐算法来说是一个很大的挑战。其次是用户偏好的迁移问题。对于绝大多数的场景来说,只有很少一部分用户在当前场景下是有过交互数据的。而大部分用户在该场景下都属于新用户。因此我们需要从该用户在其他场景下的偏好来推断出用户在当前场景下的偏好。最后是不同场景下超参数的选择问题