《SIGIR 顶会论文解读》重磅公布

由 7 位阿里巴巴技术专家精心打造，内容笼罩举荐零碎、成交转化模型、回音室效应、全空间多任务转化率预估建模、DeepMatch 召回模型、跨畛域冷启动用户举荐网络、示意学习模型等信息检索畛域新技术。

精彩内容领先看

1、反抗举荐零碎

回顾举荐零碎的倒退，离不开模型、数据、训练形式三个维度的翻新。模型层面，基于内容的举荐零碎到协同过滤的矩阵合成，以及神经网络带来的序列化建模，使得用户表征和商品表征刻画越来越精密；数据层面，长短期行为的切分，基于 session 的举荐 [1]，跨场景行为的引入，数据的丰盛和建模为用户趣味的开掘提供更多的可能；训练形式上，分布式训练框架，在线学习，高维稠密特色解决，优化器设计，从而撑持商业化举荐零碎。然而，性能晋升的同时，咱们也看到举荐零碎的可解释性逐步变成黑盒。用户的趣味偏好如何表征，趣味如何演变，不同工夫点的历史行为由哪种因素主导，这一系列的问题都对现代化举荐零碎的解释提出了挑战。

2、GMCM 基于宏观行为图的成交转化模型

电商举荐零碎帮忙用户寻找感兴趣的商品。在这个零碎中，两个工作表演了至关重要的角色，点击率预估（CTR Estimation）和成交转化率预估（CVREstimation）。顾名思义，点击率是商品从被曝光到被点击的概率，成交转换率是商品从被点击到被购买的概率。

尽管学界和业界在 CVR 预估方面做了不少有意义的工作，然而工业利用中的 CVR 预估依然是个有挑战性的工作。

3、属性二部图的示意学习

网络数据是一种常见的数据表示模式，能够用来建模事实世界中的多种利用场景。网络示意学习（又称作图嵌入学习），作为一种建模网络数据的模型，近年来受到学界和工业界的宽泛器重，失去了极大倒退。网络示意学习旨在把简单的网络图数据结构嵌入到低维的间断向量空间中，并且使每一个节点的特色信息在低维空间中失去反馈。近年来，大量的网络示意学习办法和模型被一直提出并且在链路预测、节点分类、网络可视化等相干的理论工作上有很好的体现指标。

4、理解电子商务中的回音室效应

个性化举荐零碎在为用户带来更精准商品的同时，也对消费者的趣味偏好和行为造成影响，例如回音室效应。回音室是指用户一直承受类似的信息和内容，从而使得他们的趣味或者态度被一直强化。这种事实通常呈现在社交媒体和网络平台，也同样可能呈现在电子商务等举荐零碎中。咱们的钻研集中在电子商务的举荐系统对用户趣味的影响，利用淘宝的大规模用户数据测验是否存在回音室效应。

5、基于 post-click 行为合成的全空间多任务转化率预估建模

随着挪动互联网的衰亡，从海量的数据中挖掘出有价值的信息并出现给用户，已成了电商、社交、新闻等支流利用的外围性能，举荐零碎正是在这样的背景下诞生的。在电商畛域，高质量的举荐零碎能为用户提供精准、及时、甚至带有肯定惊喜性的个性化服务，进而无效地减少了用户与零碎之间的黏性，同时也能为平台带来肯定的支出。一般说来，电商畛域 (如淘宝) 的举荐零碎架构次要包含两个阶段：零碎决策和用户决策。

6、一种开掘用户评论文本的跨畛域冷启动用户举荐网络

在大型举荐场景中，存在着泛滥类目（例如亚马逊平台中的书籍、影视举荐等）。用户往往只与其中局部类目有过交互，对于其余类目，因为短少相应的历史行为记录，协同过滤办法会遭逢冷启动问题。

为了缓解冷启动问题，一类可行的办法为利用用户在其余类目上的历史交互记录进行常识迁徙（跨畛域举荐），比方，给喜爱武侠小说的用户举荐时装电影。同时，为了更粗疏地刻画用户形象，参考用户的历史评论进行辅助举荐也能起到促进作用。

近年来，跨畛域举荐和基于评论的个性化举荐均获得了不俗的停顿，却鲜有工作将二者联合。这类工作次要存在以下挑战：

1）用户在不同类目下的关注点是不同的，且只有大量稠密个性存在关联，导致模型较难发现此类隐式关联；

2）对于在以后类目下无历史记录的冷启动用户，若间接利用其余类目下该用户的评论文本，则会不可避免地带来用户特色的抽取误差，例如，喜爱毛糙质地工艺品的用户，不肯定会喜爱毛糙材质的衣物。甄别不同类目间评论文本的语义差别，也是一个不小的挑战。

针对以上问题，本文提出了一种开掘用户在不同类目下的评论关联，进而对冷启动用户进行举荐的深度模型，称作 CATN

7、全局自适应模块：为召回模型装上第三只眼

DeepMatch 在搜寻、举荐和广告等零碎都大量利用，是一种重要的召回形式。通常将用户 (搜寻场景下蕴含 Query) 和商品通过深度模型编码成向量，线上通过向量近邻查找 top K 个商品作为召回后果。

原文链接：https://developer.aliyun.com/…_content=g_1000163102
本文为阿里云原创内容，未经容许不得转载。