*Personalized Re-ranking for Recommendation*
Re-ranking в рекомендательных системах зависит от данных пользователя, его предпочтений и намерений.
Для пользователя, который чувствителен к цене, взаимодействие между ценой должно быть более важным в модели повторного re-ranking.
Обычно ранжирование в рекомендательной системе учитывает только особенности пары пользователь-элемент. Pairwise и listwise learning to rank пытаются решить эту проблему, используя в качестве входных данных пару элементов или список элементов. Они сосредоточены только на оптимизации функции потерь, чтобы лучше использовать метки, например, данные о кликах. Они явно не моделировали взаимные влияния между элементами в пространстве признаков.
Исследователи из Alibaba и Kwai предложили использовать Transofrmer, хорошо знакомый по машинному переводу. Их аргументы следующие: в структуре Transformer используется self-attention, в котором любые два элемента могут взаимодействовать друг с другом напрямую без ухудшения encoding distance.
Между тем, Transformer более эффективен, чем RNN из-за возможности распараллеливания. Transformer позволяет моделировать взаимодействия для любого из двух предметов за O (1).
Исследователи представили персонализированную матрицу PV для изучения функции encoding, специфичной для пользователя, которая способна моделировать персонализированные взаимные влияния между парой предметов. Поэтому функцию потерь можно сформулировать следующим образом.
Авторы используют предварительно обученную нейронную сеть для создания персонализированных вложений пользователя, которые затем используются в качестве дополнительных функций для модели PRM. Предварительно обученная нейронная сеть извлекается из click-through logs . Дополнительная информация пользователя включает пол, возраст и информацию о покупках.
Evaluation Metrics
1. Precision@k
2. MAP@k
Для онлайн A/B test, использовали PV (pageView), IPV(itemProudctClick), CTR(click-through-rates) и GMV в качестве метрик.
https://arxiv.org/abs/1904.06813
Re-ranking в рекомендательных системах зависит от данных пользователя, его предпочтений и намерений.
Для пользователя, который чувствителен к цене, взаимодействие между ценой должно быть более важным в модели повторного re-ranking.
Обычно ранжирование в рекомендательной системе учитывает только особенности пары пользователь-элемент. Pairwise и listwise learning to rank пытаются решить эту проблему, используя в качестве входных данных пару элементов или список элементов. Они сосредоточены только на оптимизации функции потерь, чтобы лучше использовать метки, например, данные о кликах. Они явно не моделировали взаимные влияния между элементами в пространстве признаков.
Исследователи из Alibaba и Kwai предложили использовать Transofrmer, хорошо знакомый по машинному переводу. Их аргументы следующие: в структуре Transformer используется self-attention, в котором любые два элемента могут взаимодействовать друг с другом напрямую без ухудшения encoding distance.
Между тем, Transformer более эффективен, чем RNN из-за возможности распараллеливания. Transformer позволяет моделировать взаимодействия для любого из двух предметов за O (1).
Исследователи представили персонализированную матрицу PV для изучения функции encoding, специфичной для пользователя, которая способна моделировать персонализированные взаимные влияния между парой предметов. Поэтому функцию потерь можно сформулировать следующим образом.
Авторы используют предварительно обученную нейронную сеть для создания персонализированных вложений пользователя, которые затем используются в качестве дополнительных функций для модели PRM. Предварительно обученная нейронная сеть извлекается из click-through logs . Дополнительная информация пользователя включает пол, возраст и информацию о покупках.
Evaluation Metrics
1. Precision@k
2. MAP@k
Для онлайн A/B test, использовали PV (pageView), IPV(itemProudctClick), CTR(click-through-rates) и GMV в качестве метрик.
https://arxiv.org/abs/1904.06813
arXiv.org
Personalized Re-ranking for Recommendation
Ranking is a core task in recommender systems, which aims at providing an ordered list of items to users. Typically, a ranking function is learned from the labeled dataset to optimize the global...
Machine learning helps researchers understand human psychology and mental illness by identifying patterns in individuals’ word-use that can be predictive of certain conditions.
https://www.technologyreview.com/s/608322/the-emerging-science-of-computational-psychiatry/
https://www.technologyreview.com/s/608322/the-emerging-science-of-computational-psychiatry/
MIT Technology Review
The Emerging Science of Computational Psychiatry
Psychiatry, the study and prevention of mental disorders, is currently undergoing a quiet revolution. For decades, even centuries, this discipline has been based largely on subjective observation. Large-scale studies have been hampered by the difficulty of objectively…