Beyond Item Dissimilarities: Diversifying by Intent in Recommender Systems

要約

短期的なエンゲージメントに過度に焦点を当てたレコメンダー システムは、ユーザーが多様な興味を探ることを妨げ、最終的には長期的なユーザー エクスペリエンスを損なうことがますます明らかになってきています。
この課題に取り組むために、多数の多様化アルゴリズムが提案されています。
これらのアルゴリズムは通常、アイテムの類似性の尺度に依存し、最終的な推奨セットのアイテム間の相違点を最大化することを目的としています。
しかし、この研究では、より高いレベルのユーザー理解、特に複数のインタラクションにわたって持続するユーザーの意図を多様化において利用することによって、アイテムレベルの類似性を超える利点を実証します。
私たちのアプローチは、オンライン プラットフォームでのユーザーの行動は主にユーザーの根底にある意図によって動かされているという観察に基づいています。
したがって、推奨事項では、多様なユーザーの意図が正確に表現されるようにする必要があります。
インテントは主に検索のコンテキストで研究されてきましたが、リアルタイムの動的なインテント予測をレコメンダー システムに組み込む方法はあまり明確ではありません。
このギャップに対処するために、推奨システムの最終段階で、確率論的な意図に基づくページ全体の多様化フレームワークを開発します。
ユーザーの意図についての事前信念から開始して、提案されたフレームワークは、これらの信念に基づいて各位置の項目を順次選択し、その後、意図についての事後信念を更新します。
このアプローチにより、さまざまなユーザーの意図がページ上に確実に表現され、長期的なユーザー エクスペリエンスが最適化されます。
私たちは、毎日数十億人のユーザーにサービスを提供する世界最大のビデオ推奨プラットフォームである YouTube で、意図多様化フレームワークを実験しています。
さまざまなインテントのライブ実験では、提案されたフレームワークによってデイリー アクティブ ユーザー (DAU) と全体的なユーザーの楽しみが増加し、長期計画の促進におけるその有効性が検証されたことが示されています。

要約(オリジナル)

It has become increasingly clear that recommender systems that overly focus on short-term engagement prevents users from exploring diverse interests, ultimately hurting long-term user experience. To tackle this challenge, numerous diversification algorithms have been proposed. These algorithms typically rely on measures of item similarity, aiming to maximize the dissimilarity across items in the final set of recommendations. However, in this work, we demonstrate the benefits of going beyond item-level similarities by utilizing higher-level user understanding–specifically, user intents that persist across multiple interactions–in diversification. Our approach is motivated by the observation that user behaviors on online platforms are largely driven by their underlying intents. Therefore, recommendations should ensure that diverse user intents are accurately represented. While intent has primarily been studied in the context of search, it is less clear how to incorporate real-time dynamic intent predictions into recommender systems. To address this gap, we develop a probabilistic intent-based whole-page diversification framework for the final stage of a recommender system. Starting with a prior belief of user intents, the proposed framework sequentially selects items for each position based on these beliefs and subsequently updates posterior beliefs about the intents. This approach ensures that different user intents are represented on a page, towards optimizing long-term user experience. We experiment with the intent diversification framework on YouTube, the world’s largest video recommendation platform, serving billions of users daily. Live experiments on a diverse set of intents show that the proposed framework increases Daily Active Users (DAU) and overall user enjoyment, validating its effectiveness in facilitating long-term planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google