面向多样化短视频推荐的个性化图采样

《ACM Transactions on the Web》：Personalized Graph Sampling for Diverse Short Video Recommendation

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

提高推荐多样性的努力通常以牺牲准确性为代价。尽管已有若干研究提出了克服这一权衡的方法，但它们忽视了短视频平台的独特挑战：极端的长尾分布以及具有多个粒度层级的层次化类别结构。与此同时，图神经网络凭借其在实现协同过滤和捕获用户与物品之间高阶关系方面的能力，已成为推荐系统的当前最优方法。因此，我们旨在释放图神经网络在个性化方面的潜力，使多样性适应个体用户偏好，从而突破短视频推荐中准确性与多样性之间的困境。在本工作中，我们识别出两个多样性偏好维度——这些维度既得到心理学理论的验证，又可以从交互数据中直接推断，并通过图邻居采样进行建模：用户在不同类别层级上对多样化内容的偏好，以及在宽泛兴趣范围内对细粒度多样性的偏好。我们通过邻居采样将这些维度直接集成到图传播过程中，使模型在训练期间能够动态平衡对多样化类别的探索与对用户偏好的利用。我们还会使用课程学习策略，根据基于流行度的难度来调度项目曝光，以确定这种调度如何改进长尾物品的潜在表示并缓解准确性与多样性之间的权衡。通过与标准图方法和当前最先进的基于图的多样化推荐基线进行大量实验，我们证明，我们的解决方案在具有极端长尾分布的数据集上实现了多样性与准确性的更优平衡，同时在类别层级的更深层级上优于当前最先进的方法。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未由本文作者撰写或审核。它旨在支持文献发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解本研究内容。它旨在补充作者提供的摘要，后者仍为论文的主要概述。完整文章仍为权威版本。

点击此处对本摘要的准确性、清晰度和实用性进行评论。您的反馈将帮助改进和未来的重新生成版本。

要查看此 AI 生成的简明摘要，您必须拥有高级访问权限。