文章图片
其中 ， 目标领域特征综合考虑了领域向量和行为向量 。 与生成器类似 ， 团队基于用户在d_t的特征表示u_t ， 计算物品e_i的点击概率p如下：

文章图片
生成器&判别器优化
模型判别器的优化如下：

文章图片
生成器则是基于REINFORCE强化学习进行优化：

文章图片
团队还提出一项MMDloss ， 目的是让生成器产生的物品和真实物品不完全一致（否则会干扰判别器的训练） ， 具体如下：

文章图片
MMDloss基于推荐系统的特质设计：在推荐系统中 ， 绝大多数物品其实并未被曝光 ， 团队假设所有未被用户点击的物品均为负例；和点击物品特别相似的fakeclickeditems ， 也有很大概率同样被用户点击（例如不同自媒体号发表的同一主题的新闻/视频等） ， 这也是推荐系统item-CF的本质 。
因此 ， 团队选择加入MMDloss ， 使得GAN能够生成更加多样化的、相似但又不完全一样的物品作为判别器的负例 。
最后 ， 综合三项loss获得最终AFT的loss ， 如下：

文章图片
AFT模型的判别器被部署于线上 ， 更多模型和线上细节可参考论文第三和第四部分 。
实验结果
团队在公开数据集和微信看一看数据集上进行了实验 ， 结果表明 ， 模型在多领域推荐上获得了显著提升：

文章图片
△图3：AFT离线结果
此外 ， 论文也在微信看一看多个线上推荐场景进行了A/B实验 ， 也同样获得了显著的提升：

文章图片
△图4：AFT线上实验结果
消融实验也证明了模型各个模块的有效性：

文章图片
△图5：AFT消融实验
最后 ， 论文也进行了详尽的模型参数分析 ， 探索了不同maskratio和fakeclickeditemnumber对模型效果的影响：

文章图片
△图6：AFT参数实验
模型已用到微信里
整体来说 ， 这篇论文针对多领域推荐任务 ， 提出了一个对抗特征转移的AFT模型 。 它基于domain-specificmaskedencoder加强了跨领域特征交互 ， 设计了一种two-stepfeaturetranslation ， 能够显式可解释地对多领域下用户不同粒度的偏好、物品和领域进行建模 。
目前 ， AFT模型已部署于微信看一看多领域推荐模块中 ， 我们日常用微信看一看时 ， 就会用到这个模型 。
对于未来 ， 团队表示十分看好基于对抗和知识表示学习的跨领域特征交互思路 ， 计划展开进一步探索 。
参考文献：
[1]BordesA,UsunierN,Garcia-DuranA,etal.Translatingembeddingsformodelingmulti-relationaldata[C]//NeuralInformationProcessingSystems(NIPS).2013:1-9.
[2]CovingtonP,AdamsJ,SarginE.Deepneuralnetworksforyoutuberecommendations[C]//Proceedingsofthe10thACMconferenceonrecommendersystems.2016:191-198.
[3]DettmersT,MinerviniP,StenetorpP,etal.Convolutional2dknowledgegraphembeddings[C]//ProceedingsoftheAAAIConferenceonArtificialIntelligence.2018,32(1).
[4]DziugaiteGK,RoyDM,GhahramaniZ.Traininggenerativeneuralnetworksviamaximummeandiscrepancyoptimization[J].arXivpreprintarXiv:1505.03906,2015.

• 化州市富美家电维修店整合行业招商运营资源的专业平台
• 济宁市公安局兖州分局关于开展冬春季严打整治百日行动的通告
• CPU|红米k50系列基本确认，整体安排跟k40差不多，双4nm芯片确实香
• 淘宝|从2022年开始，淘宝又做出新的调整，中小淘宝商家受益多多
• 昌江区珠山区区县服务商整合行业招商运营资源的专业平台
• 买斗整合行业招商运营资源的专业平台
• 英特尔|Intel未发布下代至强被开盖：完整64个核心、只开启56个
• 设定|被一部科幻片整破防了，让人哭得稀里哗啦，不忍看第二遍
• 炸了：刘大美带货破壁机翻车！张二嫂拒绝妻子整容，表态不做电商
• 如何实现SSD到SSD整盘对拷？固态硬盘极简克隆法，一键轻松搞定