本文介绍的是IJCAI-2020论文《Deep Feedback Network for Recommendation》，作者论文作者是来自腾讯微信的谢若冰、凌程、王亚龙、王瑞、夏锋和林乐宇研究员。

在推荐系统中，用户的显式反馈、隐式反馈、正反馈和负反馈都能够反映用户对于被推荐物品的偏好。这些反馈信息在推荐系统中十分有用。然而，现在的大规模深度推荐模型往往以点击为目标，只看重以用户点击行为为代表的隐式正反馈，而忽略了其它有效的用户反馈信息。 作者在本文中关注用户多种显式/隐式和正/负反馈信息，学习用户的无偏兴趣偏好。具体地，作者提出了一个Deep Feedback Network (DFN)模型，综合使用了用户的隐式正反馈（点击行为）、隐式负反馈（曝光但未点击的行为）以及显式负反馈（点击不感兴趣按钮行为）等信息。DFN模型使用了internal feedback interaction component抓住用户行为序列中的细粒度的行为级别的交互，然后通过external feedback interaction component，使用精确但稀少的隐式正反馈和显式负反馈作为监督，从噪音较多的隐式负反馈中进一步抽取用户的正负反馈信息。 在实验中，作者基于微信看一看的数据，进行了丰富的离线和在线实验，模型与baseline相比均取得显著提升。

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