Key points are not available for this paper at this time.
Das Mikrovideo-Empfehlungssystem wird zu einem wesentlichen Bestandteil der E-Commerce-Plattform, das dazu beiträgt, Mikrovideo an potenziell interessierte Nutzer zu verbreiten. Bestehende Methoden zur Mikrovideo-Empfehlung konzentrieren sich nur auf das Browsing-Verhalten der Nutzer bei Mikrovideos, ignorieren jedoch ihre Kaufabsichten im E-Commerce-Umfeld. Daher erzielen sie in der Regel unbefriedigende Leistungen bei der E-Commerce-Mikrovideo-Empfehlung. Um dieses Problem zu lösen, entwerfen wir ein sequenzielles Multi-Modal-Informationstransfernetzwerk (SEMI), das das Nutzerverhalten im Produktbereich nutzt, um Mikrovideo-Empfehlungen zu unterstützen. SEMI wählt effektiv relevante Artikel (d.h. Mikrovideos und Produkte) mit multimodalen Merkmalen im Mikrovideo- und Produktbereich aus, um die Präferenzen der Nutzer zu charakterisieren. Darüber hinaus schlagen wir auch einen cross-domain kontrastiven Lernalgorithmus (CCL) vor, um Sequenz-Encoder vorzutrainieren, die die sequenziellen Verhaltensweisen der Nutzer in diesen beiden Bereichen modellieren. Das Ziel von CCL ist es, eine untere Schranke der gegenseitigen Information zwischen verschiedenen Bereichen zu maximieren. Wir haben umfangreiche Experimente an einem groß angelegten Datensatz durchgeführt, der von Taobao, einer weltweit führenden E-Commerce-Plattform, gesammelt wurde. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode erhebliche Verbesserungen gegenüber den aktuellen Empfehlungstechniken erzielt. Darüber hinaus wurde die vorgeschlagene Methode auch auf Taobao implementiert, und die Online-A/B-Test-Ergebnisse zeigen ihren praktischen Wert weiter auf.
Lei et al. (Fr,) haben diese Frage untersucht.