阿里发表于2020年的AAAI,首个联合训练matching和ranking的模型
《Deep Match to Rank Model for Personalized Click-Through Rate Prediction》论文阅读笔记
- 背景:
召回和排序是推荐系统中的两个阶段,在召回阶段使用协同过滤计算用户项目的相关度,从而选择出最相关的项目。在排序阶段,根据召回得分对项目进行排序。
CTR预测是推荐中的核心任务。 - 已有方法:
许多基于DL的方法学习特征交互,关注网络结构。有些研究从用户的行为数据中隐式的提取用户兴趣(考虑到项目之间相关性),反映用户个性化喜好。 - 存在问题:
只关注用户特征,没有考虑用户项目的相关性(直接反映用户对项目的喜欢度) - 本文:
提出Deep Match to Rank (DMR),将召回阶段的协同过滤思想应用到排序阶段,获得用户项目相关性。
使用用户-项目网络(在嵌入空间中通过内积表示用户项目相关性,为了更好的反映用户暂时的兴趣,使用注意机制自适应的学习用户行为的权重)和项目-项目网络(首先计算用户交互的项目和目标项目的相似度,汇总这些相似度,得到另一种形式的用户-项目相关性)表示相关性。
- 具体: