PEPNet
Swift Lv6

鉴于PEPNet已经是多场景、多任务建模的baseline,这里有必要详细讲解一下。

背景动机

example

用户在多场景、多任务下的行为存在共性和差异性,如何用联合建模来捕捉这些特性又避免跷跷板效应成为一大难点。

模型结构

model

模型分为三部分:

Gate Neural Unit(Gate NU)

gate

PEPNet的核心组件,由两层MLP构成,利用门控机制动态激活模型参数:

Embedding Personalized Network(EPNet)

在特征embedding层,显示注入场景的先验信息,从而强化场景个性化特征(可以理解为与该场景相关的特征筛选):

场景侧特征包括场景id、user和item在该场景下的统计量信息,比如曝光、点击等。

Parameter Personalized Network(PPNet)

对多任务DNN参数施加样本粒度的个性化影响,来选择和增强用户对于该任务的个性化参数信号,也就是在网络中注入用户在某个场景某类交互行为的倾向性先验:

  • $\mathcal{F}_u, \mathcal{F}_i, \mathcal{F}_a$分别表示user、item、author侧特征
  • $\mathbf{O}_{e p}$需要做梯度冻结,这样PPNet网络的更新不会影响EPNet,避免跷跷板问题

实验结果

exp

在各场景、各任务中表现优异,均为sota,PEPNet建模的效果确实显著。


参考

Powered by Hexo & Theme Keep
Unique Visitor Page View