2. LTR 在推荐中的应用-匹配学习
电商推荐通常使用“商品协同过滤”,作为一种主要的实时召回技术。但是基于全量用户点击行为计算的商品关联数据存在多个问题:①推荐场景众多,各场景存在显著的差异性,而同样一份商品关联数据难以满足众多场景的需要;②由于衡量商品间相关性的方法很多,如何从多种相似度数据中提取得到某场景最需要的i2i数据;③针对目标进行优化问题。传统的商品协同过滤是一种无监督学习过程,没有考虑针对特定目标进行优化。
针对以上问题,我们研发了匹配学习(LTM,Learning to Match)方法。该方法可以根据场景反馈和多个相关性特征学习适合不同场景的商品相关性(见图2)。该技术在几乎所有推荐业务带来显著的点击率提升,另外场景间推荐的差异性变的更明显。
整体来说,首先以全网用户行为,以及由此在场景内的触发的相似商品推荐结果,根据用户在场景内的反馈和优化目标标注生成训练数据。接下来便可以使用最小化损失函数为目标进行优化,学习排序模型的相关参数。在预测节点,输入原始的商品相似矩阵,以及其他特征到排序模型中,得到最终的相关度分数进行排序。这个框架可以复用成熟的LTR(Learning to rank)框架进行实现,大大地降低了研发成本。