Retrievable Domain-Sensitive Feature Memory for Multi-Domain Recommendation

要約

オンライン広告におけるビジネス規模とドメイン数の増加に伴い、マルチドメイン広告レコメンデーションが業界の主流のソリューションになりました。
マルチドメイン レコメンデーションの中核は、ドメイン間の共通点と相違点を効果的にモデル化することです。
既存の研究は、暗黙的なマルチドメイン モデリングのためのモデル アーキテクチャの設計に専念しており、特徴分布のより基本的な観点からの詳細な調査は無視されています。
このペーパーでは、分布とモデル予測への影響の両方において、さまざまなドメイン間で大きな違いがある特徴に焦点を当てます。
これらの機能をドメイン依存機能と呼びます。これは、ドメイン区別の伝達手段として機能し、マルチドメイン モデリングにとって重要です。
実験では、既存のマルチドメイン モデリング手法ではドメインに依存する特徴が無視される可能性があり、ドメインの区別の学習が不十分であることが示されています。
この無視を避けるために、特徴セットからドメインの区別を最もよく反映する特徴を特定する、ドメインに依存した特徴帰属方法を提案します。
さらに、モデルが取得および統合するためにドメインに依存する機能からドメイン固有の情報を抽出するメモリ アーキテクチャを設計し、それによってドメインの区別の認識を強化します。
広範なオフラインおよびオンラインの実験により、ドメインの区別を把握し、マルチドメインの推奨パフォーマンスを向上させるという点で、私たちの方法の優位性が実証されました。

要約(オリジナル)

With the increase in the business scale and number of domains in online advertising, multi-domain ad recommendation has become a mainstream solution in the industry. The core of multi-domain recommendation is effectively modeling the commonalities and distinctions among domains. Existing works are dedicated to designing model architectures for implicit multi-domain modeling while overlooking an in-depth investigation from a more fundamental perspective of feature distributions. This paper focuses on features with significant differences across various domains in both distributions and effects on model predictions. We refer to these features as domain-sensitive features, which serve as carriers of domain distinctions and are crucial for multi-domain modeling. Experiments demonstrate that existing multi-domain modeling methods may neglect domain-sensitive features, indicating insufficient learning of domain distinctions. To avoid this neglect, we propose a domain-sensitive feature attribution method to identify features that best reflect domain distinctions from the feature set. Further, we design a memory architecture that extracts domain-specific information from domain-sensitive features for the model to retrieve and integrate, thereby enhancing the awareness of domain distinctions. Extensive offline and online experiments demonstrate the superiority of our method in capturing domain distinctions and improving multi-domain recommendation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google