[论文解读] Controllable Multi-Interest Framework for Recommendation

Yukuo Cen, Jianwei Zhang+4 more|arXiv (Cornell University)|May 19, 2020

Recommender Systems and Techniques参考文献 61被引用 16

一句话总结

本文提出 ComiRec，一种用于序列推荐的可控多兴趣框架，通过多兴趣模块从行为序列中捕捉用户的多种兴趣，并通过可控聚合模块平衡准确率与多样性。在 Amazon 和 Taobao 数据集上的评估表明，ComiRec 在阿里巴巴部署的工业级数据集上，相较于 SOTA 模型 MIND，召回率@50 提升了 8.65%。

ABSTRACT

Recently, neural networks have been widely used in e-commerce recommender systems, owing to the rapid development of deep learning. We formalize the recommender system as a sequential recommendation problem, intending to predict the next items that the user might be interacted with. Recent works usually give an overall embedding from a user's behavior sequence. However, a unified user embedding cannot reflect the user's multiple interests during a period. In this paper, we propose a novel controllable multi-interest framework for the sequential recommendation, called ComiRec. Our multi-interest module captures multiple interests from user behavior sequences, which can be exploited for retrieving candidate items from the large-scale item pool. These items are then fed into an aggregation module to obtain the overall recommendation. The aggregation module leverages a controllable factor to balance the recommendation accuracy and diversity. We conduct experiments for the sequential recommendation on two real-world datasets, Amazon and Taobao. Experimental results demonstrate that our framework achieves significant improvements over state-of-the-art models. Our framework has also been successfully deployed on the offline Alibaba distributed cloud platform.

研究动机与目标

• 解决统一用户嵌入在捕捉序列用户行为中多个并行兴趣方面的局限性。
• 设计一种通过可控机制平衡推荐准确率与多样性的框架。
• 利用多个学习到的用户兴趣，实现从大规模物品池中有效检索候选物品。
• 在真实世界工业部署场景中验证该框架的有效性与效率。

提出的方法

• 多兴趣模块使用自注意力机制从用户的序列行为历史中提取多个兴趣嵌入。
• 每个兴趣嵌入独立地使用快速最近邻方法（如 Faiss）从大规模物品池中检索前 N 名候选物品。
• 聚合模块通过可学习的可控因子 λ 将所有兴趣的物品组合起来，以平衡准确率与多样性。
• 可控因子 λ 动态调整不同兴趣对结果的贡献权重，从而调节召回率（准确率）与多样性的权衡。
• 该框架在训练过程中仅使用物品 ID，实现端到端学习，无需依赖人工类别标注。
• 模型采用端到端方式训练，并在阿里巴巴的分布式云平台上进行离线评估并实际部署。

实验结果

研究问题

• RQ1 深度学习框架能否有效从序列行为序列中捕捉多个并行用户兴趣？
• RQ2 在统一推荐框架中，如何实现对推荐准确率与多样性的可控调节？
• RQ3 可控聚合模块是否能在不牺牲性能的前提下，同时提升召回率与多样性，适用于大规模工业数据集？
• RQ4 模型在不使用显式类别标注的情况下，能在多大程度上学习到有意义的物品类别与兴趣？

主要发现

• 在工业级 Taobao 数据集上，ComiRec-DR 相较于 SOTA 模型 MIND，召回率@50 提升了 8.65%。
• 在相同工业级数据集上，ComiRec-SA 相较于 MIND，召回率@50 提升了 1.39%。
• 随着可控因子 λ 的增加，推荐多样性显著提升，而召回率仅略有下降，证明了对准确率-多样性权衡的高效控制。
• 模型仅通过原始物品 ID 成功学习到四种不同的用户兴趣——如甜点、礼品盒、手机壳和配饰，而无需使用类别标签。
• 该框架已成功部署于阿里巴巴的分布式云平台，在包含 14500 万用户和 430 亿次交互的十亿规模数据集上，表现出高度的效率与可扩展性。
• 案例研究证实，每个学习到的兴趣嵌入均对应一个语义一致的物品类别，并能从大规模物品池中检索出语义相关的物品。