这篇论文的主题是“通过图神经网络在Spotify上实现个性化有声读物推荐”。简单来说，Spotify想要在其平台上引入有声读物，并希望为用户提供个性化的推荐服务。由于有声读物与Spotify现有的音乐和播客内容不同，用户对这种新内容类型的互动较少，因此推荐系统面临了数据稀疏和冷启动的挑战。为了解决这些问题，Spotify开发了一个名为2T-HGNN的推荐系统，结合了异构图神经网络（HGNN）和双塔（2T）模型，以提高推荐的相关性和准确性。
主要功能：
2T-HGNN的主要功能是利用用户对音乐和播客的偏好，来推荐他们可能感兴趣的有声读物。系统通过分析用户的行为模式，如收听历史和互动信号（例如关注、预览和购买意图），来学习用户的偏好，并据此推荐有声读物。
主要特点：
- 模块化设计： 2T-HGNN将用户与物品的关系解耦，使用HGNN处理物品之间的关系，而2T模型处理用户与物品的关系，这样的设计提高了系统的可扩展性和灵活性。
- 异构图神经网络： 通过HGNN，系统能够捕捉到有声读物和播客之间的复杂关系，以及它们与用户偏好之间的联系。
- 双塔模型： 2T模型通过两个独立的神经网络塔（一个用于用户，一个用于有声读物）来生成推荐，这有助于提高推荐的实时性和可扩展性。
工作原理： 2T-HGNN的工作原理分为以下几个步骤：
- 图构建： 首先构建一个共听图（co-listening graph），图中的节点代表有声读物和播客，边代表至少有一个用户同时收听过这两个内容。
- 特征提取： 使用大型语言模型（LLM）从有声读物和播客的描述中提取特征，作为节点特征。
- HGNN训练： 在共听图上训练HGNN，学习节点（有声读物和播客）的表示。
- 2T模型训练： 使用HGNN生成的表示，训练2T模型，生成用户和有声读物的向量表示。
- 推荐生成： 根据用户和有声读物的向量表示，通过近邻搜索算法生成个性化推荐。
具体应用场景：
- 个性化推荐： Spotify用户在打开应用时，可以看到基于他们的听歌历史和播客偏好推荐的有声读物。
- 新用户引导： 对于刚加入Spotify的新用户，系统可以根据他们的基本信息和少量互动信号，快速推荐适合的有声读物。
- 内容发现： 用户可以通过探索推荐列表发现新的有声读物，增加内容的多样性和用户的参与度。
总的来说，2T-HGNN是一个创新的推荐系统，它通过结合图神经网络和双塔模型，有效地解决了在大规模用户基础上引入新内容类型时面临的个性化推荐挑战。
0条评论