#今日论文推荐# SIGIR 2022 | 当多层级遇到多兴趣：用于序列推荐的多粒度神经模型

#今日论文推荐# SIGIR 2022 | 当多层级遇到多兴趣：用于序列推荐的多粒度神经模型

来自快手和武汉大学的研究者通过结合多兴趣学习和多层级图卷积聚合提出了一种多粒度神经模型，显著增强了精确学习用户复杂行为的能力，对用户不同层级下多种兴趣的细粒度建模为序列推荐领域的前沿研究拓宽了方向。该研究已被今年的 SIGIR 会议录取为长论文。
随着大众获取信息方式的移动化和碎片化，短视频分享平台（如快手、抖音）逐渐成为人们生活中获取信息和休闲娱乐的重要渠道。不断突破记录的 DAU 一方面伴随着巨大的商业价值，另一方面也给千人千面的推荐算法带来巨大的挑战。
在快手单列的流式推荐场景下，用户观看视频的序列化行为对于建模用户动态兴趣有着至关重要的作用。序列推荐旨在根据用户的行为历史来识别用户偏好的下一个商品 / 视频，但是传统序列推荐方法往往使用单个向量表征用户的动态兴趣。由于用户的观看历史中的兴趣是多样的，因此仅建模用户单一的动态兴趣很难达到理想的推荐效果。如何同时准确地捕捉用户动态且多样的兴趣，是当前短视频流式推荐的痛点。

具体来说，现有的序列推荐工作将用户的复杂偏好简单表征成一个单一的载体来集中建模用户偏好的序列模式，但不可避免地导致用户不同兴趣之间的歧义。比如在电商场景下，图 1(a) 这个用户的简短点击历史中有两个主要的兴趣：运动（Sports）和游戏（Games），显然用传统的单一向量同时表征两个兴趣是困难的。
而图 1(b) 的短视频交互序列则反映了用户的兴趣是具有不同粒度的，卡通（Cartoon）这一粗粒度兴趣中还包含更细粒度的兴趣点，即如图 2 所示 IP 层面的《猫和老鼠》（Tom & Jerry）、《海绵宝宝》（SpongeBob Squarepants），这同样也是传统方法不容易学习到的。

论文题目：When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation
详细解读：https://www.aminer.cn/research_report/629d6e6f7cb68b460fcb57d5?download=false
AMiner链接：https://www.aminer.cn/?f=cs