重磅推荐专栏：《Transformers自然语言处理系列教程》
手把手带你深入实践Transformers，轻松构建属于自己的NLP智能应用！

不匹配的问题在推荐中更加严重。在搜索中，查询和文档由相同语言的术语组成，这使得对它们的术语进行直接匹配至少有意义。但是，在推荐中，用户和商品通常由不同类型的特征表示，例如，用户的特征可以是用户ID，年龄，收入水平和最近的行为，而商品的特征可以是商品ID，类别，价格和品牌名称。由于用户和项目的特征来自不同语义的空间，因此基于表面特征匹配的幼稚方法不适用于推荐。更具挑战性的是，这些商品可以通过多模式特征来描述，例如服装产品的图像和电影的封面图像，它们可能在影响用户的决策中起关键作用。在这种视觉感知的场景中，我们需要考虑用户与多模式内容之间的跨模式匹配。

为了解决推荐中的不匹配挑战，提出了协同过滤原则【1】。协作过滤（CF）几乎是所有个性化推荐系统的基本基础，它假设用户可能喜欢（消费）相似用户喜欢（消费）的项目，并从历史互动中判断相似度【2】。但是，直接评估用户（项目）之间的相似性会遇到稀疏性问题，因为用户在整个项目空间中只消费了一些项目。解决稀疏性问题的典型假设是用户-项目交互矩阵是低秩的，因此可以从低维用户（和项目）潜在特征矩阵进行估算。然后，用户（项目）相似性可以更可靠地反映在潜在特征矩阵中。这导致了矩阵因式分解对于协同过滤的有效性【3】【4】，这成为了一种强大的CF方法和许多推荐模型的必要设计。

参阅《深入理解Spark ML：基于ALS矩阵分解的协同过滤算法与源码分析》

除矩阵分解外，还开发了其他许多类型的CF方法，例如基于神经网络的方法【5】【6】和基于图的方法【7】【8】。

参阅《CF-based 的深度模型》
《图神经网络——【NIPS 2017】GraphSAGE》
《图神经网络——【KDD 2018】PinSage》
《图神经网络——【SIGIR 2019】NGCF》

为了利用交互矩阵之外的各种辅助信息，例如用户配置文件，项目属性和当前上下文，已经提出了许多遵循标准监督学习范式的通用推荐模型。例如，通过预测项目的点击率（CTR），可以在推荐引擎的（重新）排序阶段中使用这些模型。有代表性的模型是因式分解机（FM）【9】，该模型将矩阵因式分解的低阶假设扩展为模型特征交互。

参阅《深度推荐模型——FM》

由于FM的线性和二阶交互建模限制了其表达能力，因此许多后来的工作都将其与神经网络进行了非线性和高阶交互建模的补充【10】【11】【12】。

参阅《深度推荐模型——NFM [SIGIR 17][新加坡国立大学]》
《深度推荐模型——xDeepFM [KDD 18][Microsoft]》
《深度推荐模型——DIN [KDD 18][Alibaba]》

这些神经网络模型现已在工业应用中大量使用。【13】【14】回顾了推荐系统的深度学习方法

请注意，尽管查询文档匹配和用户项目匹配对于搜索引擎和推荐系统至关重要，但这些系统还包括其他重要组件。除了匹配之外，网络搜索引擎还包括爬网，索引，文档理解，查询理解和排序等。推荐系统还包括诸如用户建模（分析），索引，缓存，多样性控制和在线浏览之类的组件等等。

引文

【1】Shi, Y., M. Larson, and A. Hanjalic (2014). “Collaborative filtering
beyond the user-item matrix: A survey of the state of the art and
future challenges”. ACM Computing Surveys. 47(1): 3:1–3:45.
【2】Sarwar, B., G. Karypis, J. Konstan, and J. Riedl (2001). “Item-based collaborative filtering recommendation algorithms”. In: Proceedings of the 10th International Conference on World Wide Web. WWW
’01. Hong Kong, Hong Kong: ACM. 285–295.
【3】Koren, Y., R. Bell, and C. Volinsky (2009). “Matrix factorization tech- niques for recommender systems”. Computer. 42(8): 30–37.
【4】Rendle, S., C. Freudenthaler, Z. Gantner, and L. Schmidt-Thieme
(2009). “BPR: Bayesian personalized ranking from implicit feedback”. In: Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence. UAI ’09. Montreal, Quebec, Canada: AUAI Press. 452–461. url: http://dl.acm.org/citation.cfm?id=1795114.1 795167.
【5】He, X., L. Liao, H. Zhang, L. Nie, X. Hu, and T.-S. Chua (2017c). “Neural collaborative filtering”. In: Proceedings of the 26th Interna- tional Conference on World Wide Web. WWW ’17. Perth, Australia.
173–182.
【6】Liang, D., R. G. Krishnan, M. D. Hoffman, and T. Jebara (2018). “Variational autoencoders for collaborative filtering”. In: Proceedings of the 2018 World Wide Web Conference. WWW ’18. Lyon, France:
International World Wide Web Conferences Steering Committee.
689–698.
【7】Wang, X., X. He, M. Wang, F. Feng, and T.-S. Chua (2019b). “Neural graph collaborative filtering”. In: Proceedings of the 42nd Inter- national ACM SIGIR Conference on Research and Development in Information Retrieval. SIGIR’19. Paris, France: Association for Computing Machinery. 165–174.
【8】Ying, R., R. He, K. Chen, P. Eksombatchai, W. L. Hamilton, and J.
Leskovec (2018). “Graph convolutional neural networks for web-scale recommender systems”. In: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. KDD ’18. London, UK: ACM. 974–983.
【9】Rendle, S. (2010). “Factorization machines”. In: Proceedings of the
2010 IEEE International Conference on Data Mining. ICDM ’10.
Washington, DC, USA: IEEE Computer Society. 995–1000.
【10】He, X. and T.-S. Chua (2017). “Neural factorization machines for sparse predictive analytics”. In: Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval. SIGIR ’17. Shinjuku, Tokyo, Japan: ACM. 355–364.
【11】Lian, J., X. Zhou, F. Zhang, Z. Chen, X. Xie, and G. Sun (2018). “xDeepFM: Combining explicit and implicit feature interactions for recommender systems”. In: Proceedings of the 24th ACM SIGKDD
International Conference on Knowledge Discovery & Data Mining.
KDD ’18. London, UK: ACM. 1754–1763.
【12】Zhou, G., X. Zhu, C. Song, Y. Fan, H. Zhu, X. Ma, Y. Yan, J. Jin, H. Li, and K. Gai (2018). “Deep interest network for click-through rate prediction”. In: Proceedings of the 24th ACM SIGKDD International
Conference on Knowledge Discovery & Data Mining. KDD ’18. London, UK: Association for Computing Machinery. 1059–1068.
【13】Batmaz, Z., A. Yurekli, A. Bilge, and C. Kaleli (2019). “A review on deep learning for recommender systems: Challenges and remedies”. Artificial Intelligence Review. 52(1): 1–37.
【14】Zhang, S., L. Yao, A. Sun, and Y. Tay (2019). “Deep learning based recommender system: A survey and new perspectives”. ACM Com- puting Surveys. 52(1): Article 5.

《搜索和推荐中的深度匹配》——1.4 推荐匹配的挑战相关推荐

搜索和推荐系统中的深度匹配模型
文章作者:辛俊波腾讯高级研究员编辑整理:DataFunTalk 导读:推荐系统和搜索应该是机器学习乃至深度学习在工业界落地应用最多也最容易变现的场景.而无论是搜索还是推荐,本质其实都是匹配,搜索 ...
c++两个文档匹配数据_《搜索和推荐中的深度匹配》——1.2 搜索和推荐中匹配统一性...
Garcia-Molina等[1]指出,搜索和推荐中的根本问题是识别满足用户信息需求的信息对象.还表明搜索(信息检索)和推荐(信息过滤)是同一枚硬币的两个方面,具有很强的联系和相似性[2].图1.1 ...
Deep Learning for Matching in Search and Recommendation 搜索与推荐中的深度学习匹配（1 引言）
#1.1 搜索与推荐的概述搜索和推荐中的根本问题是从海量信息中识别满足用户信息需求的信息对象.合适时间合适的地点合适上下文.(这个地方得写的专业一点) ##搜索搜索是一个用户主动输入query(一 ...
搜索推荐-《搜素与推荐中的深度学习匹配（Deep Match）技术》
本书介绍匹配是搜索和推荐中的关键技术,即衡量文档与查询(Query)的相关性或用户对项目的兴趣.机器学习算法已经被用来解决该问题,该问题基于输入表示和带标签的数据来学习一个匹配函数,也称为" ...
搜索推荐中的召回匹配模型综述(一)：传统方法
Part0 搜索推荐中的匹配模型综述本文主要启发来源SIGIR2018的这篇综述性slides<Deep Learning for Matching in Search and Recomme ...
【推荐实践】腾讯推荐系统中的深度匹配模型
省时查报告-专业.及时.全面的行研报告库省时查方案-专业.及时.全面的营销策划方案库 [免费下载]2022年6月热门报告合集从零开始了解推荐系统全貌机器学习在B站推荐系统中的应用实践微信视频号实时推 ...
【推荐实践】腾讯-推荐系统中的深度匹配模型
导读:推荐系统和搜索应该是机器学习乃至深度学习在工业界落地应用最多也最容易变现的场景.而无论是搜索还是推荐,本质其实都是匹配,搜索的本质是给定 query,匹配 doc:推荐的本质是给定 user,推 ...
2018深度学习在个性化推荐中的应用
深度学习在个性化推荐中的应用结论得益于深度学习强大的表示能力,目前深度学习在推荐系统中需要对用户与物品进行表示学习的任务中有着不错的表现,但优势不如图像与文本那么显著[1]. 深度学习与分布式表示 ...
深度学习在个性化推荐中的应用
结论得益于深度学习强大的表示能力,目前深度学习在推荐系统中需要对用户与物品进行表示学习的任务中有着不错的表现,但优势不如图像与文本那么显著[1]. 深度学习与分布式表示简介深度学习的概念源于人工神 ...

《搜索和推荐中的深度匹配》——1.4 推荐匹配的挑战

引文

《搜索和推荐中的深度匹配》——1.4 推荐匹配的挑战相关推荐

最新文章

热门文章