推薦における二塔ニューラルネットワーク学習のための混合ネガティブサンプリング

クエリとアイテムの表現を学習することは、大規模な推薦システムを構築する上で重要です。推薦するアイテムの膨大なカタログが存在する多くの実際のアプリケーションでは、ユーザーのクエリに対してトップkアイテムを効率的に取得する問題が発生し、クエリとアイテムが共同で低次元空間に埋め込まれるファクタライズモデルアプローチの一連が生まれます。本稿では、自然言語コミュニティでデュアルエンコーダーとしても知られる二塔ニューラルネットワークフレームワークを適用して、大規模な生産アプリケーション推薦システムを改善する方法をまず示します。さらに、混合ネガティブサンプリング（MNS）という新しいネガティブサンプリングアプローチを提供します。特に、一般的に使用されるバッチまたはユニグラムサンプリング法とは異なり、MNSはバッチと均等にサンプリングされたネガティブの混合物を使用して、暗黙のユーザーフィードバックの選択バイアスに対処します。大規模生産データセットを使用して広範なオフライン実験を行い、MNSが他のベースラインサンプリング法よりも優れていることを示します。また、オンラインA/Bテストを実施し、MNSに基づく二塔取得モデルが高品質のアプリインストールを促進することで取得品質を大幅に改善することを示します。