深度学习 用户画像_微信看一看 at CIKM 20 | 学习基于标签的用户画像兴趣建模

本文分享的是CIKM2020微信的论文：Learning to Build User-tag Profile in Recommendation System，主要介绍了微信看一看("Top Stories")中，如何进行用户-标签的兴趣建模，提升推荐效果。                                                

背景

看一下微信看一看场景下的推荐流程：                                                         

它整个推荐系统主要有四部分：新闻画像层(news profile layer)，用户画像层(user profile layer)，召回层(recall layer)和排序层(rank layer)。

在新闻画像层，对新闻相关的特征如文章标签，类别等进行提取。在用户画像层，对用户的基本信息和行为信息进行建模。这里很重要的一个特征是用户标签。随后是召回层，有多种召回方式；最后是排序层，可以使用更复杂的模型对召回层得到的结果进行精确的排序，最后展示给用户。                  

因为用户画像和召回层、排序层的模型非常相关，所以有必要建立一个准确的用户画像。论文主要讲了对用户对文章标签的偏好的建模，提出了User Tag Profiling Model。                                                       

构建user-tag profile的时候，对每个user，会收集他阅读历史中点击过的新闻的标签，并在模型训练步骤中计算出用户对这些标签的偏好。在新闻推荐系统中，通常将点击过的新闻作为正样本，浏览过但是没有点击的新闻作为负样本。但是直接将这个方法用于标签，会使点击过的新闻的标签都是正样本，这是有问题的。因为用户点击新闻也许只是对其中一个标签感兴趣。

基于这些考虑，文章提出了两个问题：                                                             

RQ1: 如何自动选择有用的特征？并且学习到同一个field和不同field之间的特征的相互作用？

<