天猫における推薦のための動的ルーティングを持つ多兴趣ネットワーク

産業界の推薦システムは通常、マッチング段階とランキング段階から構成されており、数十億規模のユーザーとアイテムを処理するために設計されています。マッチング段階では、ユーザーの興味に関連する候補アイテムを抽出し、ランキング段階では、ユーザーの興味に基づいてこれらの候補アイテムを順位付けします。したがって、最も重要な能力は、両段階においてユーザーの興味をモデル化および表現することです。既存の大半の深層学習ベースのモデルは、1人のユーザーを単一のベクトルで表現しており、これはユーザーの多様な興味を捉えるには不十分です。本論文では、この問題に異なる視点からアプローチし、1人のユーザーを複数のベクトルで表現することで、ユーザーの異なる側面の興味をエンコードします。私たちはマッチング段階におけるユーザーの多様な興味に対処するために、動的ルーティング付き多兴趣ネットワーク（Multi-Interest Network with Dynamic routing, MIND）を提案します。具体的には、カプセルルーティングメカニズムに基づく多兴趣抽出レイヤーを設計しました。これにより歴史的な行動データをクラスタリングし、多様な興味を抽出することが可能になります。さらに、「ラベル認識型注意」（label-aware attention）という技術を開発し、複数のベクトルを使用してユーザー表現を学習するのに役立てています。いくつかの公開ベンチマークデータセットとTmallからの大規模産業データセットに対する広範な実験を通じて、MINDが最新手法よりも優れた推薦性能を達成できることを示しています。現在、MINDはモバイルTmallアプリのホームページにおける主要なオンライントラフィック処理に導入されています。