萧箫整理自 KDD 2021量子位报道 | 公众号 QbitAI这年头|用上GAN的推荐算法成精了，看完视频马上刷出相关文章丨KDD 2021 萧箫整理自KDD2021

萧箫整理自KDD2021
量子位报道|公众号QbitAI
这年头，推荐算法真是越来越智能了。
举个栗子，当你热衷于东京奥运会并且刷了不少剪辑视频， APP就会根据你的品味为你推荐文章、游戏或是同款周边。

文章图片
没错，推荐算法早已不局限于一个场景，而是在视频、文章、小程序等各种场景中“打通任督二脉” ，也就是多领域推荐算法。
但事实上，这类算法并不如想象中容易驾驭，关键在于如何抓住不同领域中，关于目标领域的有效特征。
为了让推荐算法更了解你，腾讯微信的看一看团队，针对多领域推荐任务提出了一个全新的模型，融合了生成对抗网络GAN、ELECTRA、知识表示学习等思路，学习不同领域之间的特征转移，极大地提升了多领域推荐算法的效果，论文已被KDD2021收录。
8月18日，数据挖掘领域国际最高级别会议KDD2021会议在线上举行，微信看一看团队的XiaoboHao ，针对这篇名为「AdversarialFeatureTranslationforMulti-domainRecommendation」的论文，进行了详细解析和分享。

文章图片
【萧箫整理自 KDD 2021量子位报道 | 公众号 QbitAI这年头|用上GAN的推荐算法成精了，看完视频马上刷出相关文章丨KDD 2021】我们对论文解析进行了相关总结，一起来看看。
多领域推荐难在哪
推荐系统已经融入生活的方方面面，为我们提供个性化的信息获取及娱乐。
在马太效应的影响下， Google、WeChat、Twitter等平台应运而生。它们往往拥有各种（推荐）服务，能够为用户推荐多样化的物品（如文章、视频、小程序等），满足用户需求。
用户在不同推荐服务上的行为（在用户允许下），会通过用户的共享账号产生关联。
这些行为，能在目标领域行为之外提供更多信息，帮助推荐系统更加全面地了解用户，辅助提升各领域推荐效果。
多领域推荐（Multi-domainrecommendation ， MDR）任务就是基于用户在多个领域的行为和特征，来同时优化多个领域的推荐效果，关键在于如何抓住不同领域中的目标领域特化的特征。
一个直观的方法，是将用户的多领域行为当作额外的输入特征，直接输入给ranking模型，但这种方法没有针对领域间的特征交互进行优化建模。
另一个方法，是近期基于多任务学习（Multi-tasklearning ， MTL）的一些思路，将一个领域的推荐当作一个任务进行处理，取得了不错的效果。
然而，多领域推荐效果仍然严重地受限于其固有的稀疏性问题，具体体现在两个方面：其一， user-item点击行为的稀疏性（这个是推荐系统本身拥有的稀疏性问题）；其二，跨领域特征交互的稀疏性（这是多领域推荐特有的稀疏性问题）。
AFT模型要解决什么？
为了解决这两个问题，使模型能够同时提升多领域推荐效果，论文提出了一个名为AdversarialFeatureTranslation（AFT）的模型，基于生成对抗网络（GAN）学习不同领域之间的特征转移（featuretranslation）。
首先，在multi-domaingenerator中，论文先提出了一个domain-specificmaskedencoder ，用以强调跨领域的特征交互建模，再基于transformer层以及domain-specificattention层聚合这些跨领域交互后的特征，学习用户在目标领域下的表示，以生成虚假的物品候选（fakeclickeditems）输入到判别器中。
在multi-domaindiscriminator中，受到知识表示学习（KRL）中的基于三元组的建模方法（如TransE）的启发，论文构建了一个两阶段特征转移（two-stepfeaturetranslation）模型，对领域、物品和用户不同粒度/不同领域的偏好进行可解释的建模。

萧箫 整理自 KDD 2021量子位 报道 | 公众号 QbitAI这年头|用上GAN的推荐算法成精了，看完视频马上刷出相关文章丨KDD 2021

萧箫整理自 KDD 2021量子位报道 | 公众号 QbitAI这年头|用上GAN的推荐算法成精了，看完视频马上刷出相关文章丨KDD 2021