学习多方面：通过自蒸馏在推荐中实现多样化的正向增强
摘要：个性化推荐依赖于用户的历史行为来提供用户感兴趣的物品，因此严重受到数据稀疏性问题的困扰。一个强大的正样本扩增有助于解决稀疏性问题，但很少有研究能够同时考虑这些扩增训练标签的准确性和多样性。在这项工作中，我们提出了一种新颖的模型无关的多样化自蒸馏引导的正样本扩增（DivSPA），用于准确和多样化的正样本扩增。具体来说，DivSPA首先通过三种检索策略收集高质量和多样化的正样本候选，根据用户的整体兴趣、短期意图和相似用户。接下来，进行自蒸馏模块，对这些候选进行双重检查和重新排序，作为最终的正样本扩增。广泛的离线和在线评估验证了我们提出的DivSPA在准确性和多样性方面的有效性。DivSPA简单而有效，可以方便地适应其他基础模型和系统。目前，DivSPA已经部署在多个广泛使用的现实世界推荐系统上。
作者：Chong Liu, Xiaoyang Liu, Ruobing Xie, Lixin Zhang, Feng Xia, Leyu Lin
论文ID：2308.07629
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-16