Large-Scale Multi-Domain Recommendation: an Automatic Domain Feature Extraction and Personalized Integration Framework

目前，许多实际应用（如TikTok、大众点评）中的反馈推荐是主流模式，通常需要在应用内部和甚至应用外部的多个场景（领域）中建模和预测用户兴趣。多领域学习是解决这个问题的典型方法。虽然在这方面已经做出了相当大的努力，但仍存在两个长期存在的挑战：（1）准确描述使用领域特征的领域之间的差异对于提高每个领域的性能至关重要。然而，为众多领域手动设计领域特征和模型可能是一项繁琐的任务。（2）用户通常只在少数领域中有有限的印象。自动从其他领域中提取特征并利用它们来提高每个领域的预测能力一直是一个具有挑战性的问题。本文提出了一个自动领域特征提取和个性化集成（DFEI）框架，用于大规模多领域推荐。该框架自动将每个个体用户的行为转化为领域内所有用户行为的聚合，作为领域特征。与离线特征工程方法不同，提取的领域特征是高阶表示，并直接与目标标签相关。此外，通过个性化地集成其他领域的领域特征和训练模式的创新，DFEI框架可以产生更准确的转化识别。在包括20多个领域的公共和工业数据集上的实验结果清楚地表明，与SOTA基线相比，所提出的框架实现了显着更好的性能。此外，我们已经在https://github.com/xidongbo/DFEI上发布了所提出的框架的源代码。

论文旨在解决多领域推荐中的两个长期存在的问题：手动设计领域特征和模型的困难，以及用户在大多数领域中只有有限的印象，如何从其他领域自动提取特征并利用它们来提高每个领域的预测能力。

DFEI框架通过自动将每个用户的行为转化为领域内所有用户行为的聚合，生成领域特征。与离线特征工程方法不同，提取的领域特征是高阶表示，并直接与目标标签相关。此外，通过对每个用户的其他领域特征的个性化整合和创新的训练模式，DFEI框架可以产生更准确的转化识别。

论文在公共和工业数据集上进行了实验，包括20多个领域。实验结果表明，DFEI框架相对于SOTA基线具有显著的性能优势。此外，论文还开源了DFEI框架的源代码。

最近的相关研究包括MultiVAE、AutoInt和DMRL等。