『 论文阅读』A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems
Abstract
MULTI-VIEW-DNN联合了多个域做的丰富特征,使用multi-view DNN模型构建推荐,包括app、新闻、电影和TV,相比于最好的算法,老用户提升49%,新用户提升110%。并且可以轻松的涵盖大量用户,解决冷启动问题。
主要做user embedding的过程,通多用户在多个域的行为作为一个ivew,来表征用户,参与用户embedding过程。
Contribution
- 利用丰富的用户特征,建立多用途的用户推荐系统。
- 针对基于内容的推荐,提出了一种深度学习方法。并学习不同的技术扩展推荐系统。
- 结合不同领域的数据,提出了Multi-View DNN模型建立推荐系统。
- multi-view DNN模型解决用户冷启动问题。
- 基于四个真实的大规模数据集,通过严格的实验证明所提出的推荐系统的有效性。
Data Set
Type | DataSet | UserCnt | FeatureSize | Joint Users |
---|---|---|---|---|
User view | Search | 20M | 3.5M | / |
Item View | News Apps Movie/TV | 5M 1M 60K | 100K 50K 50K | 1.5M 210K 60K |
DSSM FOR USER MODELING IN RECOMMENDATION SYSTEMS
deep structured semantic model参考Learning deep structured semantic models for web search using clickthrough data。
结构图:
- 把条目映射成低维向量。
- 计算查询和文档的cosine相似度。
其中:
word hashing
通过word hashing层将word映射为稠密向量。以good为例。
- 添加首尾标记: #good#
- 拆分word为n-grams: #go, goo, ood, od#
- 通过多个小的n-grams的向量表示word。
这种方法即使有新词出现,也不会出现问题。
DSSM训练
对于一次搜索,如果点击了一个文档,认为他们是相关的。对于搜索查询集,DSSM去最大化被点击文档D+D+的条件似然概率**。
其中D是全集,γγ是平滑因子。损失函数自然就是:
MULTI-VIEW DEEP NEURAL NETWORK
对于User view,计算User View和Item View之间的P(IVi|UV)P(IVi|UV),然后最小化:
其中P()定义为:
Data input
对于第j行输入数据,它的主域Xu,jXu,j和一个**View Xa,jXa,j,其余的View输入Xi:i≠aXi:i≠a都为0向量。
User features
- search queries:规范化,然后处理成unigram格式。
- clicked URLs:只保留主域名,如www.linkdin.com
News features
news article clicks:
- title( tri-gram)
- top-level category(binary features)
- named entities
App features
App download histories:
- App tile( tri-gram)
- category(binary)
Movie/TV feature
movie/TV view history
- title( tri-gram)
- description( tri-gram)
- genre(binary)
训练过程
训练目标:
原文公式:
训练目标:
最小化L()为目标得到Wu,W1,...WvWu,W1,...Wv,即网络的参数矩阵。
MV-DNN优势
- 和DSSM相比,其query和doc的feature是一样长的维度,使用同样的预处理,限制了feature。而跨域信息feature往往不同,而且n-gram方法并不适用,所以MV-DNN结合其类别特征(如电影和app类别,地理位置等)。
- MV-DNN可以结合多个跨域信息,实现对user embedding。pair-wise training过程,user-item pairs。
降维方法
top features
对于user features,选取top-k最频繁的features。并通过TF-IDF过滤掉最常用的特征。
k-means
k-mean会指定k为类簇的个数,目标是最小化所有类簇点与中心点的距离只和。公式表达:
其中XiXi是数据点,CjCj是每个类簇的中心。通过K-means对相似的特征群分组为同一个cluster并生成新的特征,共生产k个新的特征。
应用:
对于输入数据矩阵X,shape=[size=n, dimension=k],划分为X=[f1,f2…,fk]X=[f1,f2…,fk],然后将每个fkfk归一化,对[f1,f2…,fk][f1,f2…,fk]使用k-means聚类,fifi之间计算距离用cos相似度。然后就可以将特征降维到k维,对于每个新的特征向量Yi,1≤i≤n,1≤Cls(a)≤kYi,1≤i≤n,1≤Cls(a)≤k有:
比如原始维度是3.5M,设置k=10k,那么将为之后维度就是10k。
Local sensitive Hashing
通过一个随机的矩阵将数据映射到低纬向量空间上,并且保持原始空间上的pairwis cos距离在新的空间上仍然获得保留。
原始维度d,降维到k,那么映射矩阵A∈Rd×kA∈Rd×k,即A包含了k个映射,每个映射AiAi都将X映射为YiYi,输出为Y∈RkY∈Rk。计算YiYi的公式为:
计算X1,X2X1,X2的cos相似度近似表示为:cos(H(Y1,Y2)kπ)cos(H(Y1,Y2)kπ),其中H(Y1,Y2)H(Y1,Y2)表示汉明距离,论文选取的k=10000.
Reduce the Number of Training Examples
每个用户在每个域都有大量的日志数据,将每个用户在每个域只选取一个user-item对,具体为用户特征-用户在此域喜欢的所有item的平均分数。
CONCLUSION AND FUTURE WORK
本文提出了一种通用的结合丰富用户特征和item特征的推荐系统框架,通过结合多个域的丰富信息,是的推荐系统的质量极大提高,并且此方法通过降维的方法可扩展到大的数据集,同时对于老用户和新用户都适用推荐,在几个公开的大数据集上的表现都明显优于其他方法。
此框架可以应用于各个推荐系统,未来还需要:
1. 纳入更多的用户特征。
2. 增加DNN扩展性,以便不在使用特征降维的方法。
3. 加入更多的域并深入分析它的表现。
4. 如何将协同过滤方法和本文的基于内容的方法结合。
代码
DSSM & Multi-view DSSM代码 https://github.com/InsaneLife/dssm
Multi-view DSSM实现,参考GitHub:multi_view_dssm_v3
CSDN原文:http://blog.csdn.net/shine19930820/article/details/78810984
代码: https://github.com/liaha/dssm
keras实现
- https://github.com/airalcorn2/Deep-Semantic-Similarity-Model
- https://github.com/outstandingcandy/dssm
- https://github.com/sonyisme/keras-recommendation
Reference
- 原文:https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/frp1159-songA.pdf
- DSSM: Learning Deep Structured Semantic Models for Web Search using Clickthrough Data
- CDSSM (Conv + DSSM): A Latent Semantic Model with Convolutional-Pooling Structure for Information Retrieval
- LSTM-DSSM (RNN + DSSM):Semantic Modelling with Long-Short-Term Memory for Information Retrieval
- DSSM: Learning Deep Structured Semantic Models for Web Search using Clickthrough Data