Multi-Interessennetzwerk mit dynamischer Routing für Empfehlungen bei Tmall

Industrielle Empfehlungssysteme bestehen in der Regel aus einer Matching-Phase und einer Ranking-Phase, um die Milliarden-Skalen von Nutzern und Artikeln zu bewältigen. Die Matching-Phase selektiert kandidierende Artikel, die den Interessen des Nutzers entsprechen, während die Ranking-Phase diese Kandidaten nach den Nutzerinteressen sortiert. Daher ist die wichtigste Fähigkeit das Modellieren und Darstellen der Nutzerinteressen für beide Phasen. Die meisten existierenden tiefen Lernmodelle stellen einen Nutzer als einzelnen Vektor dar, was nicht ausreicht, um die vielfältige Natur der Nutzerinteressen abzubilden. In dieser Arbeit gehen wir ein anderes Vorgehen ein, um einen Nutzer mit mehreren Vektoren zu repräsentieren, die verschiedene Aspekte der Interessen des Nutzers kodieren. Wir schlagen das Multi-Interest Network with Dynamic Routing (MIND) vor, um die vielfältigen Interessen der Nutzer in der Matching-Phase zu berücksichtigen. Insbesondere haben wir eine Schicht zur Extraktion vielfältiger Interessen auf Basis des Kapsel-Routing-Mechanismus entwickelt, die sich für das Clustern historischer Verhaltensweisen und das Extrahieren diverser Interessen eignet. Des Weiteren haben wir eine Technik namens label-aware Attention entwickelt, um das Lernen einer Nutzendarstellung mit mehreren Vektoren zu unterstützen. Durch umfangreiche Experimente auf mehreren öffentlichen Benchmarks sowie einem großen industriellen Datensatz von Tmall zeigen wir, dass MIND eine überlegene Leistung im Vergleich zu den neuesten Methoden für Empfehlungen erzielen kann. Derzeit wird MIND zur Bewältigung des Hauptverkehrs auf der Startseite der mobilen Tmall-App eingesetzt.