“本文介紹了騰訊提出的一種未來(lái)感知的多樣化趨勢(shì)推薦框架FAT，根據(jù)相似用戶的行為來(lái)構(gòu)建未來(lái)序列，再通過(guò)動(dòng)態(tài)路由學(xué)習(xí)多樣化的趨勢(shì)。實(shí)驗(yàn)表明，考慮了潛在未來(lái)偏好趨勢(shì)的FAT不僅能夠提升推薦的準(zhǔn)確性，也能提高多樣性。”

本文介紹的論文是《Future-Aware Diverse Trends Framework for Recommendation》

摘要

在推薦系統(tǒng)的用戶表示學(xué)習(xí)中，對(duì)用戶-項(xiàng)目交互的建模很重要。現(xiàn)有的序列推薦系統(tǒng)通過(guò)用戶歷史序列來(lái)捕捉歷史偏好。然而，用戶的偏好是「不斷變化且多樣化」的，僅僅對(duì)歷史偏好建模（不考慮偏好隨時(shí)間變化的趨勢(shì)）可能導(dǎo)致推薦多樣性、時(shí)效性不足。

本文為縮小「歷史偏好」和「潛在未來(lái)偏好」之間的gap，提出了未來(lái)感知的多樣化趨勢(shì)（FAT）框架。其中未來(lái)感知是指根據(jù)「相似用戶」來(lái)構(gòu)建目標(biāo)用戶的「未來(lái)序列」（提出了一種鄰居行為提取器）；多樣化趨勢(shì)是指：認(rèn)為未來(lái)偏好是多樣化的，提出了多樣化趨勢(shì)提取器和時(shí)間感知的注意力機(jī)制，使用「多個(gè)向量」表達(dá)用戶潛在的偏好趨勢(shì)。利用歷史偏好和潛在未來(lái)趨勢(shì)進(jìn)行最終的推薦。實(shí)驗(yàn)表明，FAT不僅能夠提升序列推薦的準(zhǔn)確性，也能提高推薦的「多樣性」和時(shí)效性。

貢獻(xiàn)

• 為更好地捕捉用戶行為的動(dòng)態(tài)變化，設(shè)計(jì)了一個(gè)FAT框架，利用了未來(lái)信息并捕捉了多樣化的用戶偏好趨勢(shì)。

• 首先從相似用戶中提取未來(lái)行為，然后利用動(dòng)態(tài)路由進(jìn)行自適應(yīng)的融合（也可以理解為聚類），得到趨勢(shì)向量。然后使用時(shí)間感知的注意力機(jī)制來(lái)更好地建模隨時(shí)間變化的用戶潛在偏好。

• 與現(xiàn)有方法相比，FAT在幾個(gè)公開(kāi)數(shù)據(jù)集上效果更好，且FAT召回的項(xiàng)目具有更高的多樣性

模型

模型結(jié)構(gòu)圖：

左側(cè)：對(duì)當(dāng)前用戶的歷史序列建模，得到歷史偏好向量 。灰色小球和向量表示對(duì)待預(yù)測(cè)item做embedding，后面預(yù)測(cè)層使用。

右側(cè)：為當(dāng)前用戶找到多個(gè)相似用戶，對(duì)每個(gè)相似用戶進(jìn)行歷史序列建模，得到其偏好向量。這些偏好向量經(jīng)過(guò)一個(gè)膠囊網(wǎng)絡(luò)得到T個(gè)趨勢(shì)向量，再通過(guò)時(shí)間感知的注意力層來(lái)融合，得到未來(lái)偏好向量。

下面對(duì)每個(gè)模塊進(jìn)行具體介紹：

Sequence Modeling

輸入是按照時(shí)間排列的用戶歷史行為序列，對(duì)這些item id做embedding之后使用LSTM提取序列特征（LSTM公式不再贅述），得到用戶的偏好向量。

相似用戶的歷史序列同樣也使用LSTM來(lái)進(jìn)行特征提取。

Implicit Neighbor Behavior Extractor

用皮爾遜相關(guān)系數(shù)來(lái)計(jì)算用戶間相似度 （但作者并未說(shuō)明找到相似用戶后如何構(gòu)建序列）。除此之外，也設(shè)計(jì)了一個(gè)更簡(jiǎn)單的過(guò)濾器來(lái)提取相似用戶：

在當(dāng)前用戶的歷史序列中，挑出K個(gè)目標(biāo)項(xiàng)目用于訓(xùn)練，剩下的用于測(cè)試。實(shí)際中K=1的效果就足夠好且簡(jiǎn)單。（論文也沒(méi)寫K>1時(shí)具體怎么處理，是分別用每個(gè)target item跑一遍右側(cè)的網(wǎng)絡(luò)，然后得到K個(gè)和拼接？還是找那些和這K個(gè)target items都有過(guò)交互的用戶？)

找出與目標(biāo)項(xiàng)目交互過(guò)的所有用戶，然后對(duì)每個(gè)近鄰用戶（使用目標(biāo)項(xiàng)目找到的）構(gòu)建未來(lái)序列：

「舉個(gè)例子」描述一下模型的主要思想：

我今天買了《深度學(xué)習(xí)推薦系統(tǒng)》，模型在給我推薦時(shí)，會(huì)參考其他買了這本書的用戶「后面會(huì)買什么」。假如有5個(gè)用戶也買了這本書，其中用戶a, c后面買了《計(jì)算廣告》（「繼續(xù)深入學(xué)習(xí)」），用戶b, d, e后面買了《java從入門到精通》（「棄坑轉(zhuǎn)方向」），這就代表未來(lái)兩種不同的偏好趨勢(shì)。動(dòng)態(tài)路由部分的任務(wù)就是從這5個(gè)用戶中，學(xué)習(xí)出（也可以理解為聚類）2個(gè)趨勢(shì) 。

那模型又怎么確定我更可能偏向哪種趨勢(shì)呢？這個(gè)任務(wù)就交給后面的注意力部分了，主要根據(jù)時(shí)間間隔來(lái)判斷（這里感覺(jué)不太合理，只看時(shí)間間隔，并不能體現(xiàn)我更偏向哪種趨勢(shì)呀）。

Future-Aware Diverse Trends

把每個(gè)近鄰用戶的偏好向量作為鄰居膠囊，使用動(dòng)態(tài)路由來(lái)學(xué)習(xí)興趣膠囊。具體過(guò)程為：

其中為輸入的鄰居膠囊，代表低階膠囊與高階膠囊連接的概率。

膠囊網(wǎng)絡(luò)可以看作一種“向量神經(jīng)元”，其輸入和輸出都是「向量」，且每一步也都可以與傳統(tǒng)的標(biāo)量神經(jīng)元對(duì)應(yīng)，對(duì)比如下（圖片來(lái)自文獻(xiàn)2）：

Time-Aware Attention Layer

使用一種時(shí)間感知的注意力機(jī)制來(lái)計(jì)算多個(gè)趨勢(shì)的權(quán)重 捕捉每個(gè)趨勢(shì)的時(shí)效性

計(jì)算用戶u最終的未來(lái)偏好：

其中是target item 的交互時(shí)間，是趨勢(shì)的交互時(shí)間，即對(duì)與趨勢(shì)相關(guān)的項(xiàng)目的交互時(shí)間取平均值（從items變到trends經(jīng)過(guò)了LSTM以及動(dòng)態(tài)路由，那一個(gè)item怎么樣算是related to the trend？論文并沒(méi)有說(shuō)明）。是趨勢(shì)的向量表示

，，分別對(duì)應(yīng)注意力機(jī)制中的q, k, v（即query, key, value）。通過(guò)衡量q和k之間的相關(guān)性（這里即時(shí)間上相隔的遠(yuǎn)近），找出與q相關(guān)的value，再對(duì)value進(jìn)行加權(quán)求和。這里的時(shí)間應(yīng)該是歸一化后的，即0~1之間的值，這樣可以讓與間隔更近的trend的權(quán)重更高，即最近的興趣趨勢(shì)在中占比更高。

Prediction

得到attention激活后的趨勢(shì)向量后，將其與用戶歷史偏好向量拼接（所以是保證拼接后的向量維度與item embedding一致？K>1時(shí)也是這樣處理嗎？可能會(huì)有問(wèn)題啊），作為用戶最終的偏好向量。給定一個(gè)訓(xùn)練樣本以及用戶的偏好向量、項(xiàng)目的向量表示，通過(guò)如下公式來(lái)計(jì)算交互概率：

其中U, V, I分別是用戶集合、項(xiàng)目集合、交互集合。

實(shí)驗(yàn)

模型效果對(duì)比

實(shí)驗(yàn)數(shù)據(jù)集及其統(tǒng)計(jì)信息：

評(píng)價(jià)指標(biāo)選取Recall和NDCG。對(duì)比結(jié)果：

推薦多樣性

這里是使用項(xiàng)目類目的多樣性來(lái)衡量，具體公式如下：

多樣性的對(duì)比結(jié)果：

實(shí)驗(yàn)結(jié)果表明，FAT不僅能夠提升序列推薦的效果，也能提高推薦的多樣性。

Case Study

上圖是為某用戶召回的項(xiàng)目的分布。由于論文對(duì)圖中橫坐標(biāo)和圓圈的意義描述有歧義，這里說(shuō)一下筆者的愚見(jiàn)：

圓圈大小代表項(xiàng)目和trend或歷史興趣的相似度，橫坐標(biāo)中的數(shù)值代表透出概率。

結(jié)果顯示，如果使用歷史偏好進(jìn)行推薦，即使是很相似的項(xiàng)目，其透出概率也很低；但如果使用FAT學(xué)習(xí)出的trend向量找相似的項(xiàng)目，就很容易被推薦出去，體現(xiàn)了本文中未來(lái)偏好趨勢(shì)建模的有效性。

參考文獻(xiàn)

[1] Lu Y, Zhang S, Huang Y, et al. Future-Aware Diverse Trends Framework for Recommendation[J]. arXiv preprint arXiv:2011.00422, 2020.

[2] CapsNet-Tensorflow, https://github.com/naturomics/CapsNet-Tensorflow

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 獲取本站知識(shí)星球優(yōu)惠券，復(fù)制鏈接直接打開(kāi)： https://t.zsxq.com/qFiUFMV 本站qq群704220115。加入微信群請(qǐng)掃碼：

總結(jié)

以上是生活随笔為你收集整理的【论文解读】腾讯FAT | 未来感知的多样化趋势推荐框架的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。