Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation

1. 总体

　　本文分为两个部分，第一个部分DAE框架，用于学习iterm的embedding， 第二个部分是rerank框架 考虑 user_pref + relevance + diversity。

2.  DAE框架

　　在快手短视频中，存在item embedding 和 item feature  这两个特征是不统一的，本文通过DAE框架学习，通过MLP的映射，将两者映射后 embedding拉近，如loss MSE和InfoNCE，同时不同view的embedding 尽可能不同化 则又L^O ，类似GNN中 根据feature 去学习自身表示。有了自身表示则 有相似性，有了多样性则有多样性。

3. 重排选择 

　　根据user和 iterm的关系 获取其pref， 再根据已选择item和当前备选item的相似 获取其相似性，同时根据当前item和已选择item的相似性 p 可获取其多样性 div=1-p, 并顺序 启发的选择下去，div和rev的lambda 和gama 都是超参

 4. 评价

　　本文主要思量是将iterm-embedding和feature embedding 通过 自己训练的形式拉近，相互表示，同时通过multi view的形式加深信息抽取粒度，然后根据获取embed ing 计算iterm 间相似和多样性。原创性在于DAE结构，但该结构的消融实验并未给出，且验证数据不是公开，不知道是否通用，有待 商榷。

标签：ranking,Relevant,embedding,DAE,Diversified,feature,多样性,item,iterm
来源： https://www.cnblogs.com/wubu/p/16596417.html