【论文导读】KDD2020｜阿里团队最新的多元兴趣推荐模型---ComiRec-优快云博客

本文链接：https://blog.youkuaiyun.com/Blank_spaces/article/details/107948275

本文介绍了阿里团队在KDD2020发表的ComiRec模型，该模型针对推荐系统匹配阶段，解决序列推荐问题，通过多元兴趣模块捕捉用户多种兴趣，再通过聚合模块平衡推荐准确性和多样性。模型采用了动态路由和自注意力机制来提取兴趣，实验证明其在召回率、点击率和NDCG等指标上优于其他先进模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

本次分享一篇2020年阿里团队发表在KDD的文章“Controllable Multi-Interest Framework for Recommendation”。本篇文章提出的模型ComiRec是基于推荐系统中匹配/召回的方法，且是一个序列化推荐的解决方案。由于是当前最新的序列化推荐匹配模型，因此会详细的介绍其背景、方法与实验。

本文约4.5k字，预计阅读15分钟。

1. 研究背景

1、对于工业界的推荐系统来说，一般由匹配/召回（matching）阶段和排序/精排（ranking）阶段组成。「匹配主要是检索出Top-K个候选物品」，而「精排则是通过更精确的分数来对候选物品进行排序」。本篇文章，主要「聚焦于匹配问题」，提高匹配的性能。

2、可以将推荐系统看作是一个「序列推荐问题」，即想要预测用户下一个可能交互的物品。

3、目前推荐系统的「准确性」并不是唯一的问题，人们更有可能被推荐一些新的或「多样化」的东西【长尾问题】。

本篇文章主要是基于上述三个研究背景进行展开。

2. 研究现状

1、传统的推荐方法主要是用协同过滤来预测分数。后来演变成用神经网络---对建立用户与物品的表示，并比传统方法的性能更为优越。但对于大规模的电子商务系统，很难直接使用神经网络给出用户对目标物品的CTR预估。现如今工业界使用快速KNN（如Faiss[1]）来生成一个候选物品集，然后使用神经网络模型（如xDeepFM[2]）来整合用户物品属性，以优化诸如CTR之类的业务指标。

2、当然最近也有使用「图嵌入」（Graph Embedding）来表示用户和物品。PinSage[3]建立在GraphSAGE[4]的基础上，将基于图卷积网络的方法应用于具有数十亿节点和边的数据。GATNE[5]考虑了不同的用户行为类型，并利用一种异构的图嵌入方法来学习用户和物品的表示。但是这些方法忽略了用户行为中的序列信息，无法捕捉相邻用户行为之间的相关性。【引入序列推荐】

3、推荐也可以看作一个序列化问题，通过用户的历史，来估计下一个用户感兴趣的物品。很多模型（DIN、DIEN）都从用户的行为序列给出一个整体的Embedding。但是，统一的用户Embedding不能反映用户在一段时间内的「多种兴趣」。如下图所示：

Emma对珠宝、包、化妆品感兴趣，她在这段时间内应该可能会点击三种类别的物品。

【注】本篇文章对推荐的分类：传统、基于神经网络（端到端、非端到端）、从基于神经网络的模型细化到基于图表示、再从用户历史行为中得到序列化推荐。基于图表示和序列化推荐是目前较为热门的研究方向。大家可以看一下文章的一些引用文献。

3. 创新与贡献

基于上述问题，作者提出一个新的序列化推荐模型：「controllable multi-interest framework，ComiREC」。模型分为「多元兴趣模块」（multi-interest module）和「聚合模块」（aggregation module）。多元兴趣模块从用户行为序列中捕捉多种兴趣，可以在大规模的物品池中检索候选的物品集。然后将这些物品输入到聚合模块以获得总体Top-K推荐。并且聚合模块利用「可控因素」（controllable factor）来「平衡推荐的准确性和多样性」。

4. 模型方法

4.1 问题定义

假设一个用户集合和一个物品集合，对于每一个用户，定义用户序列，根据时间先后顺序排序。记录了第个物品与用户交互。文章所有的字母表示含义见下表：

4.2 多元兴趣模型整体框架

在工业推荐系统的物品池中经常有上百万或亿级别的物品，因此匹配阶段在推荐系统中扮演一个非常重要的角色。

对于「匹配阶段模型」：

首先通过用户历史行为序列计算出用户的「embedding」，然后基于embedding检索用户的候选物品集合。
然后利用快速K近邻(KNN)算法从大规模物品池中为每个用户生成最接近的物品集。

匹配阶段的决定性因素是根据用户历史行为计算出的「用户Embedding的质量」。对于部分序列模型只是建立一个单一的用户Embedding，但是其缺乏表达能力，因为现实世界的用户通常同时对几种类型的物品感兴趣，这些物品通常用于不同的用途，并且在类别上有很大的差异。因此作者提出了用于推荐系统的多元兴趣框架（「Multi-Interest Framework」），主要分为多元兴趣提取模块和聚合模块。