KDD 2020（一） | 可调控的多兴趣推荐框架（作者带你读论文）

⬆⬆⬆              点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

论文：Controllable Multi-Interest Framework for Recommendation

作者：Yukuo Cen, Jianwei Zhang, Xu Zou, Chang Zhou, Hongxia Yang, Jie Tang

会议：In Proceedings of the Twenty-Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'20)

Code link: https://github.com/THUDM/ComiRec 

岑宇阔，清华大学计算机系三年级博士生，导师为唐杰教授。科研经历包括：可调控的多兴趣推荐框架、多视图异构网络表示学习、电商场景中的信任关系学习。已在KDD、TKDE等会议上发表多篇论文。

神经网络模型目前已经被广泛地应用于各种推荐系统中。这些基于神经网络的推荐算法通常只会从用户的行为序列中学习到一个用户表征向量，但是这个统一的表征向量往往无法反映用户在一段时期内的多种不同的兴趣。以下图为例，用户 Emma 的商品点击序列反映了她近期三种不同的兴趣，包括珠宝、手提包和化妆品。我们提出了一种可调控的多兴趣推荐框架来解决这种情形。多兴趣抽取模块会从用户的点击序列中捕获到用户多种不同的兴趣，然后可以用来召回一些相似的商品。聚合模块会将这些不同兴趣召回的商品整合起来作为推荐的候选商品，供下游的任务来使用。

对于多兴趣抽取模块，我们在 2 个公开数据集 Amazon 和 Taobao 数据集上进行了实验，验证了我们所提出的模型的有效性。如下表所示，在 2 个数据集上，我们提出的 ComiRec-SA/DR 取得了最好的效果（SA 表示基于自注意力的方法，DR 表示基于动态路由的方法）。

我们基于一个实际用户进行了案例分析。我们的多兴趣抽取模块从用户的历史点击序列中学习到了用户近期的四种不同的兴趣，包括甜品、礼物盒、手机壳以及小配件。左侧是用户点击过的商品，右侧是对应的兴趣表征从大规模商品池中召回回来的一些商品。

References：

[1] Li, Chao, et al. "Multi-interest network with dynamic routing for recommendation at Tmall." Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019.

[2] Sabour, Sara, Nicholas Frosst, and Geoffrey E. Hinton. "Dynamic routing between capsules." Advances in neural information processing systems. 2017.

本周直播预告：

AI Time欢迎AI领域学者投稿，期待大家剖析学科历史发展和前沿技术。针对热门话题，我们将邀请专家一起论道。同时，我们也长期招募优质的撰稿人，顶级的平台需要顶级的你，请将简历等信息发至[email protected]！

微信联系：AITIME_HY

 

AI Time是清华大学计算机系一群关注人工智能发展，并有思想情怀的青年学者们创办的圈子,旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法、场景、应用的本质问题进行探索，加强思想碰撞，打造一个知识分享的聚集地。

更多资讯请扫码关注

（点击“阅读原文”观看本次直播回放）