KDD2022|快手&人大:特征感知多样性重排算法,短视频相关推荐多样性重排...

发布网友发布时间：2024-08-28 15:18

共1个回答

热心网友时间：2024-08-30 14:43

在KDD2022年的会议上，快手与中国人民大学合作发布了一项新的SOTA（State-of-the-Art）论文，名为“Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation”，简称FDSB。这项研究针对短视频推荐系统的多样性重排问题，旨在平衡相关性和多样性，以提供更为丰富的用户体验。论文中，研究者们设计了一个通用的框架，通过解耦注意力编码器学习物品的分离表征，以及自平衡多元重排器来动态调整相关性和多样性。

论文焦点在于将用户点击“喜欢”后的相关推荐视为一个多因子排序任务，结合用户偏好、触发视频的相关性和推荐结果的多样性。FDSB创新性地引入了细粒度的物品特征，如语义标签，来计算推荐的关联性和多样性。解耦注意力编码器负责从丰富的特征中提取分离表示，以减少冗余和噪声的影响。自平衡多元重排器则通过学习系数动态平衡相关性和多样性，确保推荐结果既能满足用户正向喜好，又能激发更多兴趣。

实验结果表明，FDSB在离线和线上环境中都表现优秀，相较于其他多样性方法，它在准确性和多样性方面都有显著提升。论文还探讨了如何在实际部署中优化计算流程，以降低在线重排阶段的复杂度。总的来说，这项工作为相关推荐领域的多样性处理提供了新的思考和实践方向。

KDD2022|快手&amp;人大:特征感知多样性重排算法,短视频相关推荐多样性重排...

KDD2022|快手&人大:特征感知多样性重排算法,短视频相关推荐多样性重排...