Orthogonal Hyper-category Guided Multi-interest Elicitation for Micro-video Matching

观看微视频已经成为公众日常生活的一部分。通常，用户的观看行为被认为源于他们的多种不同兴趣。在本文中，我们提出了一种名为OPAL的微视频匹配模型，通过从用户交互中分离多个软和硬兴趣嵌入来引出用户的多种异构兴趣。此外，OPAL采用了两阶段训练策略，其中预训练是在微视频的正交超类别的指导下从历史交互中生成软兴趣，而微调则是加强兴趣之间的分离程度并学习每个用户的每个兴趣的时间演变。我们在两个真实数据集上进行了大量实验。结果表明，OPAL不仅返回多样化的微视频，而且在召回率和点击率方面优于六种最先进的模型。

本论文旨在解决微视频匹配的问题，通过从用户互动中提取多个软性和硬性兴趣嵌入来识别用户的多个异构兴趣。

本论文的关键思路是通过OPAL模型进行微视频匹配，该模型采用两阶段训练策略，预训练阶段生成历史交互中的软性兴趣，微调阶段加强兴趣之间的区分度和学习每个用户兴趣的时间演变。

论文在两个真实数据集上进行了广泛的实验，结果表明OPAL不仅返回多样化的微视频，而且在召回率和命中率方面优于六种最先进的模型。

在相关研究方面，最近的研究包括《Multi-modal Video Recommendation with Rich User Behavior》和《Deep Attentional Context-aware Recommender Systems》等。