推荐系统中的多目标优化

我们解决了优化推荐系统以满足多个不一定一致的相关性目标的问题。具体来说，考虑一个优化单一相关性方面的推荐系统，即语义匹配（根据源和目标之间的相似性任意定义，通常基于点击率训练），我们希望通过额外的相关性信号来增强该系统，这将提高推荐系统的实用性，但可能同时牺牲语义匹配的质量。问题在于，语义匹配只是驱动推荐系统的效用函数的一个相关性方面，尽管它是一个重要方面。在人才推荐系统中，职位发布者希望候选人与发布的职位匹配良好，但也更喜欢那些开放新机会的候选人。推荐讨论组的系统必须确保这些组与用户的兴趣相关，同时也需要优先推荐活跃组而非不活跃组。我们将这些额外的相关性信号（求职意图和组活动）称为外部特征，它们涉及到未被语义匹配捕获的效用函数方面（即反映参与度的后点击率下游效用：阅读时间、分享、评论等）。我们希望将这些外部特征纳入推荐中，但希望在满足以下要求的情况下进行：1）我们不希望大幅牺牲语义匹配的质量，2）我们希望准确量化在控制效用函数的不同方面时语义匹配将受到的影响。本文提出了一种满足这些要求的方法。