MAMDR：一种面向多领域推荐的模型无关学习方法
摘要：大规模实际电商平台通常包含各种不同的推荐场景（领域），以满足不同的客户群体的需求。多领域推荐（MDR）旨在共同改善所有领域的推荐，并可以轻松扩展到数千个领域，已经引起了从实践者和研究人员的越来越多的关注。现有的MDR方法通常采用共享结构和几个特定组件，分别利用可重用的特征和领域特定的信息。然而，各个领域的数据分布不同，这使得开发一个可以应用于所有情况的通用模型具有挑战性。此外，在训练过程中，共享参数通常受到领域冲突的影响，而特定参数往往会过度拟合在数据稀疏的领域上。我们首先提出了一个可扩展的MDR平台，该平台在淘宝上提供服务，可以为数千个领域提供服务，无需专家参与。为了解决MDR方法的问题，我们提出了一种新颖的模型无关学习框架，即MAMDR，用于多领域推荐。具体而言，我们首先提出了一种领域协商（DN）策略，以缓解领域之间的冲突。然后，我们开发了一种领域正则化（DR）方法，通过从其他领域中学习来提高特定参数的泛化能力。我们将这些组件集成到一个统一的框架中，并呈现了MAMDR，可以应用于任何模型结构来进行多领域推荐。最后，我们在淘宝应用程序中展示了MAMDR的大规模实现，并构建了各种公共MDR基准数据集，可用于后续研究。对基准数据集和行业数据集进行的大量实验证明了MAMDR的有效性和泛化能力。
作者：Linhao Luo, Yumeng Li, Buyu Gao, Shuai Tang, Sinan Wang, Jiancheng Li, Tanchao Zhu, Jiancai Liu, Zhao Li, Shirui Pan
论文ID：2202.12524
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-08