Réseau Multi-Intérêts avec Routage Dynamique pour les Recommandations sur Tmall

Les systèmes de recommandation industriels sont généralement composés d'une phase de correspondance et d'une phase de classement, afin de gérer l'échelle massive de milliards d'utilisateurs et d'éléments. La phase de correspondance récupère des éléments candidats pertinents aux intérêts de l'utilisateur, tandis que la phase de classement trie ces éléments candidats selon les intérêts de l'utilisateur. Ainsi, la capacité la plus critique est de modéliser et représenter les intérêts de l'utilisateur pour chacune des phases. La plupart des modèles existants basés sur l'apprentissage profond représentent un utilisateur par un seul vecteur, ce qui est insuffisant pour capturer la nature variable des intérêts de l'utilisateur. Dans cet article, nous abordons ce problème sous un angle différent, en proposant une représentation d'un utilisateur par plusieurs vecteurs encodant les différents aspects des intérêts de l'utilisateur. Nous présentons le réseau à intérêts multiples avec routage dynamique (MIND) pour traiter les intérêts diversifiés des utilisateurs lors de la phase de correspondance. Plus précisément, nous concevons une couche extractrice d'intérêts multiples basée sur le mécanisme de routage par capsules, qui est adaptée pour regrouper les comportements historiques et extraire des intérêts variés. De plus, nous développons une technique appelée attention orientée par les étiquettes pour aider à apprendre une représentation utilisateur avec plusieurs vecteurs. À travers des expériences approfondies sur plusieurs jeux de données publics et un grand ensemble de données industrielles provenant de Tmall, nous démontrons que MIND peut atteindre des performances supérieures aux méthodes les plus avancées actuellement disponibles dans le domaine des recommandations. Actuellement, MIND est déployé pour gérer le trafic en ligne majeur sur la page d'accueil de l'application mobile Tmall.