Cadre multi-intérêts contrôlable pour la recommandation

Récemment, les réseaux neuronaux ont été largement utilisés dans les systèmes de recommandation e-commerce, en raison du développement rapide de l'apprentissage profond. Nous formalisons le système de recommandation comme un problème de recommandation séquentielle, visant à prédire les prochains éléments avec lesquels l'utilisateur pourrait interagir. Les travaux récents donnent généralement une représentation globale à partir de la séquence de comportement d'un utilisateur. Cependant, une représentation unifiée de l'utilisateur ne peut pas refléter les multiples intérêts de l'utilisateur sur une période. Dans cet article, nous proposons un nouveau cadre multi-intérêts contrôlable pour la recommandation séquentielle, appelé ComiRec. Notre module multi-intérêts capture plusieurs intérêts à partir des séquences de comportement des utilisateurs, qui peuvent être exploités pour récupérer des éléments candidats à partir d'une large base d'articles. Ces éléments sont ensuite soumis à un module d'agrégation pour obtenir la recommandation globale. Le module d'agrégation utilise un facteur contrôlable pour équilibrer la précision de la recommandation et la diversité. Nous menons des expériences pour la recommandation séquentielle sur deux ensembles de données réels, Amazon et Taobao. Les résultats expérimentaux démontrent que notre cadre réalise des améliorations significatives par rapport aux modèles de pointe. Notre cadre a également été déployé avec succès sur la plateforme cloud distribuée Alibaba hors ligne.