Pareto Front Approximation for Multi-Objective Session-Based Recommender Systems

本研究引入了MultiTRON，一种利用变压器神经网络将Pareto前沿逼近技术应用于多目标基于会话的推荐系统的方法。我们的方法通过对采样的偏好向量进行训练，优化了点击率和转化率等关键指标之间的权衡。一个显著的优点是，在训练后，单个模型可以访问整个Pareto前沿，通过调整额外的输入向量来加权目标，以满足不同利益相关者的具体要求。我们通过广泛的离线和在线评估验证了模型的性能。为了更广泛的应用和研究，源代码可在https://github.com/otto-de/MultiTRON上获得。结果证实了该模型有效地管理多个推荐目标，为不同的业务需求提供了灵活的工具。

多目标会话推荐系统中，如何在不同指标之间进行权衡和优化？

使用变压器神经网络和 Pareto 前沿逼近技术，训练一个模型来处理多个推荐指标，并通过调整额外的输入向量来满足不同利益相关者的具体需求。

论文提出了 MultiTRON 方法，该方法可以管理多个推荐目标，为不同的业务需求提供了一个灵活的工具。通过离线和在线评估，验证了模型的性能，并提供了开源代码。

最近的相关研究包括：Multi-objective Recommender Systems: A Literature Survey 和 A Survey on Session-based Recommender Systems。