Enhancing User Interest based on Stream Clustering and Memory Networks in Large-Scale Recommender Systems

推荐系统（RS）基于用户兴趣提供个性化推荐服务，在各种平台上广泛应用。然而，由于缺乏消费行为，存在许多兴趣稀疏的用户，这导致了对他们的推荐结果不佳。这个问题在大规模的RS中很普遍，特别难以解决。为了解决这个问题，我们提出了一种名为用户兴趣增强（UIE）的新型解决方案，它使用增强向量和个性化增强向量，从不同的角度使用流聚类和记忆网络来增强用户兴趣，包括用户资料和用户历史行为序列。UIE不仅显著提高了对兴趣稀疏用户的模型性能，而且还显著提高了对其他用户的模型性能。UIE是一种易于基于排名模型实现的端到端解决方案。此外，我们扩展了我们的解决方案，并将类似的方法应用于长尾项，也取得了出色的改进。此外，我们在一个大规模的工业RS中进行了广泛的离线和在线实验。结果表明，我们的模型明显优于其他模型，特别是对于兴趣稀疏的用户。到目前为止，UIE已经完全部署在多个大规模的RS中，并取得了显着的改进。

提高用户兴趣度，尤其是对于兴趣稀疏的用户，以改善推荐系统的效果。

提出了一种名为User Interest Enhancement（UIE）的解决方案，通过增强向量和个性化增强向量来增强用户兴趣度，包括用户档案和历史行为序列，并从不同角度利用流聚类和记忆网络生成。UIE是易于实现的端到端解决方案，可基于排名模型进行实现，同时也扩展到长尾项目上。

论文在大规模的工业级推荐系统中进行了广泛的离线和在线实验，并展示了UIE模型的显著性能提升，尤其是对于兴趣稀疏的用户。UIE已经在多个大规模推荐系统中得到了全面部署，并取得了显著的改进效果。

在这个领域中，最近的相关研究包括《Deep Interest Network for Click-Through Rate Prediction》、《Neural Collaborative Filtering》等。