混合推荐让房源召回率暴涨14.8%！200万房源实测，GNN+协同过滤太强了
A Multi-Source Ensemble Approach to Candidate Generation for Alternative Vacation Rental Property Recommendations
📖 AI 总结
这篇论文针对度假租赁平台中替代房源推荐这一场景，系统研究了候选生成（CG）阶段的不同方法，包括协同过滤、浅层嵌入和图神经网络（GNN）。实验基于超过200万个活跃房源的平台数据，结果显示，将基于物品的协同过滤与GNN检索相结合的混合架构，在Recall@300指标上比最强基线提升了14.8%。协同过滤擅长利用丰富的交互历史实现早期召回，而GNN则能发现多样化、非显而易见的替代选项，并在冷启动场景中表现更佳。此外，GNN嵌入相比浅层Hotel2Vec嵌入，在各K值下相对召回率提升达48%至68%。研究还发现，更强的候选池能提升下游排序质量，但CG与排序器训练之间的耦合使得归因分析较为复杂。这一“召回—转化”差距对两阶段推荐系统的实践部署具有重要参考意义。
🔑 关键词速览
| 候选生成（Candidate Generation, CG） | 推荐系统中从全量物品中初步筛选出少量可能相关物品的阶段。 |
| 协同过滤（Collaborative Filtering） | 基于用户或物品的历史交互行为来发现相似性的推荐方法。 |
| 图神经网络（Graph Neural Network, GNN） | 利用图结构数据学习节点嵌入的深度学习模型，能捕捉复杂关系。 |
| Hotel2Vec | 一种将酒店或房源映射为浅层嵌入向量的方法，用于相似性检索。 |
| 两阶段推荐系统（Two-stage Recommendation System） | 先通过候选生成缩小范围，再用排序模型精排的推荐架构。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅