在今年的ACM推荐系统会议上,某机构国际新兴商店部门应用科学副总裁将讨论推荐算法工作中面临的三个问题:有向图中的推荐、目标标签随时间变化的机器学习模型训练,以及利用预测不确定性估计提升模型准确性。
有向图
第一个问题涉及有向图,即边描述单向关系的图结构。有向图在多个领域都有应用,例如引文网络、社交网络和电子商务。研究人员重点关注了相关产品推荐场景,其中关系具有非对称特性。
解决方案采用图神经网络,通过双嵌入表示法克服传统单嵌入空间在表达有向图非对称关系方面的局限性。还引入了自适应采样技术,为低度节点采样更大邻域,为高度节点采样较小邻域,显著提升了模型性能。
延迟反馈
第二个问题涉及目标标签随时间变化时的模型训练策略。在推荐场景中,客户查看推荐与购买产品之间可能存在数天的时间延迟。
研究团队提出了重要性采样策略,为每个训练样本分配重要性权重。关键创新在于考虑转化前的用户行为信号(如加入购物车、点击产品),并在计算重要性权重时纳入目标标签未来变化的可能性。
预测不确定性
第三个技术是利用不确定性估计提升模型预测准确性。研究发现,对于相同的模型得分,随着置信区间增大,经验正率开始下降。
这影响了二分类器决策边界的选择。传统方法在模型得分上使用单一阈值,而新方法为每个不确定性水平选择不同阈值,能够在给定精度下获得更高的召回率。该方法已在实际生产环境中投入使用。
这些通用技术跨越多种推荐问题,并在实际应用中产生了实质性影响,体现了以客户为中心的技术创新理念。
更多精彩内容 请关注我的个人公众号 公众号(办公AI智能小助手)或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号(网络安全技术点滴分享)
公众号二维码
公众号二维码