今天跟大家分享一篇快手&人大发表在 KDD 2022 上的多样性推荐论文，论文题目 Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation。为了方便描述，这里简写为 FDSB。FDSB 方法应用在快手 APP 场景内，并取得 SOTA 的性能。

论文标题：

Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation

收录会议：

KDD 2022

论文链接：

https://arxiv.org/pdf/2206.05020.pdf

现有的推荐流程中，当用户点击短视频上的“喜欢”按钮时，系统会给用户推荐更多相似的短视频。但是如果应用一直给用户推荐跟喜欢视频非常相似的内容，也会造成用户的视觉疲劳以及增加信息茧房，因此需要平衡考虑相关性和多样性，在满足用户正向偏好的基础上，挖掘用户更多兴趣。

本文实际上就是研究如何去平衡“相关推荐”中的相关性及多样性。这里的“相关推荐”需要单独来解释一下，因为初读论文的时候确实这个词给我带来了一些困惑。论文里的”相关推荐“任务，我的理解是在推荐中增加了主动信息获取，从而对主推荐流中的推荐结果进行干预。例如：当用户看完一个短视频时，他往往会想要继续观看和这个短视频相关的拓展内容。

然而，传统的推荐系统 feed 流难以提供这种深度的拓展功能。这是由于考虑到推荐系统多样性和兴趣试探的要求，很少会出现同一个主题或类目的短视频连续出现的情况。大家感兴趣可以去看下微信团队在 WSDM 2021 上介绍相关推荐的文章。

Real-time Relevant Recommendation Suggestion

https://dl.acm.org/doi/pdf/10.1145/3437963.3441733

有了上面的概念我们再来看相关推荐和现有多样性推荐的区别，相关推荐是基于触发item和用户偏好进行的，而多样性推荐只考虑用户偏好。为了将触发 item 和多样性推荐结合，需要显式地建模细粒度的 item 特征以更好地表征 item 间的关系。

例如，在图 1 中被点赞的短视频带有一组语义标签 {sunset, train and sea}，根据这些细粒度的语义标签（即特征）进行相关推荐将是非常有意义的。然而，现有的多样性推荐方法主要侧重于 item 的多样性，无法做到有效地捕捉特征级的多样性。此外，如果直接在现有方法中利用 side information 做特征维度的多样性推荐很可能拿不到很好的收益，因为大量的 side information 可能是冗余或者包含很多噪声的。 

针对上述问题，我们设计了一个通用的重排框架（FDSB），以捕获相关推荐中的特征感知多样性。FDSB 框架包含两个模块，即解耦注意力编码器（disentangled attention encoder）和自平衡多元重排器（self-balanced multi-aspect re-ranker）。解耦注意力编码模块使用多头注意力从丰富的 item 特征中学习分离表征，学习到的分离表征为 item 特征提供了一个更紧凑的表示。对于自平衡多元重排模块，主要是提出了一种能够自适应平衡相关性和多样性的重排机制。

内容中包含的图片若涉及版权问题，请及时与我们联系删除