Controllable Multi-Interest Framework for Recommendation笔记

一、这篇论文解决什么问题

召回问题：多兴趣召回

和之前的相关模型不一样的地方：主要是平衡推荐的准确性和多样性

二、作者提出的模型架构

三、这篇论文的几个核心点

1. 相同的框架下两种不同的多兴趣抽取方法

Dynamic Routing：ComiRec-DR，只用原始的动态路由方法

Self-Attentive：ComiRec-SA

H是用户行为的embedding

2. 聚合模块：如何计算得分

兼顾推荐的准确性和多样性

\lambda 是0，就只在意准确性；\lambda 是无穷大的话，就只在意多样性了
3. 模型训练：也用了smapled softmax

四、关于模型本身的几点分析

1. 与经典方法的异同

MIMN

同：都是针对多兴趣的建模

异：MIMN抽取长序列中的兴趣比较困难

MIND

同：都是针对多兴趣的建模

异：这篇论文用的是原始的动态路由方法，而且兼顾了推荐的准确性和多样性

2. 模型对兴趣数K的敏感性
不同的K有不同的效果，不是K越大越好

五、模型效果的解释

学习到的每个兴趣不光可以对应某个商品类别，还能召回同类别类似的商品

六、对这篇论文的感受

相对于MIND，这篇论文最核心的点就是兼顾了推荐的准确性和多样性

PS：本文的所有公式和图表都来自于论文：Controllable Multi-Interest Framework for Recommendation，有理解不对的地方，欢迎指正

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容