Abstract:
根据用户在web上的浏览信息和搜索信息提取出用户的特征集（feature set）用来表征用户。用一种深度学习的方法把用户和item投影到一个潜在空间，使得在这个潜在空间中用户和用户偏爱的item的相似度是最大的。multi-view deep learning model 模型会学习用户特征以及来自不同domain的item的特征。（同时，通过减少输入的维度以及训练数据的大小，这种基于大量丰富特征的用户表征也具有可拓展性。）这种用户特征表征可以让模型学习到相关的用户行为模式，即使用户在某一个domain里面没有任何行为，只要该用户有足够多的浏览和搜索历史记录，就能为用户进行比较满意的推荐。把不同的domain融合成一个模型有两个好处：一是提高对于所有domain的推荐系统的质量，二是可以生成更简洁更具有语义丰富性的用户特征向量。效果：将这种方法运用到了微软的三个推荐系统Windows APP推荐 News推荐 和 Movie/TV推荐，对于现存用户提升49%，对于新用户提升115%。对于一些开源数据集，相比于传统的生成主题模型，mv模型也显示出了优越性。可拓展性分析表明这种模型可以很轻松扩展到数百万级的用户和十亿级的item。实验结果表明，融合不同domain的特征去训练model，比单独为每一个domain训练各自的model的表现更好。