一個推薦系統，大致就分為兩個模塊，召回和排序。再細分下去就是召回，粗排，精排，重排。不管推薦系統多么復雜，無非是為了兩個目標，推薦的準確，且多樣化。為了實現多樣化，往往是在排序中對同質的item做了指紋去重處理。但是如果召回側多樣性不足，排序無論怎么優化都不能達到最優，所以這篇《Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network》就來探討如何在召回側，用一個端到端模型GraphDR實現多樣化的召回。

模型結構

GraphDR包含3個模塊，如下圖所示，包含多樣偏好網絡(Diversified Preference Network)，網絡表示學習(Network representation learning)和在線多通道匹配(online multi-channel matching)。

Diversified Preference Network

多樣偏好網絡是實現多樣性召回的基礎，本文通過用戶多種多樣的交互行為對用戶偏好進行建模，訓練數據包含多種類型：視頻，Tag，媒體，用戶和文本。視頻包含文本(Title)，視頻提供者是媒體，每個視頻又有很多Tag，這些特征對最后的推薦效果有著重要的影響。為了緩解數據稀疏的影響，用戶的基礎特征也要用進來。可以按年齡，性別，地域等特征對用戶進行聚類，形成用戶組。在GraphDR模型中，有6種類型的邊。

• Video-Video邊:如果一個用戶先后看完了兩個video(看完指的是看視頻的時間超過視頻本身時間的70%)，這兩個video之間就存在一條邊，這些邊反映了用戶直接的觀看習慣。
• Video-User邊:如果一個用戶組在一周內看一個視頻超過3次，那么該視頻和用戶組就存在一條邊，這種粗粒度的邊反應了社群特征。
• Video-Tag邊:該邊反應了視頻粗粒度的語義特征。
• Video-Word邊:該邊反應了視頻細粒度的語義特征。
• Video-Media邊:該邊刻畫了視頻提供者特征。
• Tag-Tag邊:如果兩個Tag同時出現在一個視頻上，則這兩個Tag存在一條邊，反應了Tag之間的聯系。

所有邊都是無向無權的，相比較直接用用戶，item進行建模，這些多樣性的邊給模型帶來了更多信息，值得注意的是，在這種模型框架下，我們很容易增加更多類型的node和邊來豐富多樣性。

表示學習網絡

不同類型的節點如何表示呢？首先把所有不同類型的節點映射到一個特征空間，對第K個節點而言，它的所有鄰居節點Nk可以被分類為5種類型，視頻(v)、tag(t)、媒體(m)、用戶(u)、文本(d)，直接分別embedding后concat就是該節點的embedding。

圖中Field-level HGAT就是把第K個節點的所有鄰居節點通過上述方式embeding后(f1~fk)作為輸入，該文還提出了權重向量組下式:

為的是從中f1~fk提取5種類型的特征。如生成視頻特征的embedding如下式所示：

然后把5種特征embeding concat后做非線性映射:

同時還要帶上中心節點的特征:

最后把所有特征融合:

訓練目標和deep walk類似，用的neighbor-similarity based loss，如下公式所示:

在線模塊

在線模塊使用一個多通道打分召回策略，綜合考慮被通道召回情況，時間因素，相似度各種因素，用每一個看過的有效視頻的embedding，用cos相似度召回100個視頻，m表示通過m個有效觀看視頻，一共召回了100 * m個視頻，然后通過下面公式計算分數。

首先是視頻通道打分：

在tag和media通道，通過下式計算:

最后融合所有通道分數，給出最后打分，在100 * m個video中，選top 500的video。

實驗

準確率:

多樣性:

參考文獻

一個模型使召回階段又"準確"又"多樣"

更多干貨，請關注公眾號：煉丹筆記

總結

以上是生活随笔為你收集整理的一个端到端模型GraphDR实现多样化的召回的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。