加载中...

Applying deep learning to Related Pins

1. 背景

Pinterest的Pins相关性推荐，即基于协同过滤的item2item的推荐系统；传统上，主要根据用户的保存，点击pins到board等行为，基于co-occurrence计算pins之间的相关性。本文主要基于深度学习，计算pins之间的相关性。同时，开发更加符合大数据可升缩计算的相关性推荐系统，和传统的算法相比，基于深度学习的算法较传统算法提升了5%的用户参与度。

2. 算法原理

2.1 传统的co-occurrence算法

基于用户的行为，计算pins之间的相关性；每个board里面的pins的相关性更强，基于每个board计算里面的pins之间的相关性。潜在的缺点：
（1）board的细分，即用户的一个兴趣可能包含多个boards；
（2）board的粒度，即每个board都有自己的主题，board里面的Pins描述的粒度可能不一样，譬如动物和野生动物；
（3）board的主题的漂移，即随着时间的变化，用户的兴趣也会变化，board里面的pins也可能变化。譬如健身，可能会漂移到饮食等等；

2.2 pin2vec算法

思想来源于word2vec,即基于用户关于pins活动的上下文，构建pins向量。
(1)训练数据准备

(2)神经网络结构

(3)模型结果

3. 参考资料

Applying deep learning to Related Pins
https://engineering.pinterest.com/blog/applying-deep-learning-related-pins?utm_campaign=Revue newsletter&utm_medium=Newsletter&utm_source=revue