Nicht-autoregressive generative Modelle zur Neuranking-Empfehlung

Zeitgenössische Empfehlungssysteme sind darauf ausgelegt, die Bedürfnisse der Benutzer zu erfüllen, indem sie maßgeschneiderte Listen von Artikeln bereitstellen, die mit ihren spezifischen Anforderungen oder Interessen übereinstimmen. In einem mehrstufigen Empfehlungssystem spielt das Neuranking eine entscheidende Rolle, indem es die intra-listen Korrelationen unter den Artikeln modelliert. Die zentrale Herausforderung des Neurankings liegt in der Erkundung optimaler Sequenzen im kombinatorischen Raum der Permutationen. Jüngste Forschungen schlagen ein Generator-Evaluator-Lernparadigma vor, bei dem der Generator mehrere machbare Sequenzen erzeugt und der Evaluator die beste Sequenz basierend auf der geschätzten Listenbewertung auswählt. Der Generator ist von entscheidender Bedeutung, und generative Modelle sind gut für die Generatorfunktion geeignet. Aktuelle generative Modelle verwenden eine autoregressive Strategie zur Sequenzgenerierung. Die Bereitstellung autoregressiver Modelle in Echtzeitsystemen der Industrie ist jedoch herausfordernd. Erstens kann der Generator die Zielartikel nur nacheinander erzeugen, was zu langsamer Inferenz führt. Zweitens führt die Diskrepanz zwischen Training und Inferenz zu einer Fehlerakkumulation. Schließlich übersieht die links-nach-rechts-Generierung Informationen von nachfolgenden Artikeln, was zu suboptimalen Leistungen führt.