導讀:同一個用戶可能有多樣的興趣,如何在深度模型中刻畫這些多樣的興趣呢?阿里今年的文章《Multi-Interest Network with Dynamic Routing for Recommendation at Tmall》給出一種方案,本文是閱讀此篇文章的筆記。
推薦系統做的事情無非就是在一定的場景(context)下給特定的用戶(user)推薦特定的一些物料(item)。
當然,具體的用戶、場景、物料是沒法直接使用的,需要先進行抽象(即構造特徵,比如用年齡、性別等社會人口屬性和用戶點擊等行為特徵來表達用戶),而如何構造這種抽象表示(representation),使其能在具體業務問題下準確、簡潔地表達原先的對象,對推薦的效果起著決定性的作用。
推薦中經典深度模型範式與其侷限
深度學習在推薦系統的應用中,最經典的範式是Embedding&MLP(代表為Youtube DNN)。這種範式中,user ID、用戶歷史交互item ID等高維category特徵都被映射成為低維的embedding,MLP只能接受固定長度的輸入,而用戶歷史上交互過的item數目是不固定,Embedding&MLP範式的應對方法是把用戶交互過的item embedding求均值(進行average pooling操作),然後把這個固定長度的均值作為user representation的一部分。