SIGIR2024 | M3oE: 多域多任务混合专家推荐框架

TLDR: 面对多领域、多任务的场景需求，本文提出一种自适应的多领域多任务专家混合推荐框架M3oE。M3oE模型整合了多个领域的信息，实现了跨领域、跨任务的知识映射和多目标优化。

论文：https://arxiv.org/abs/2404.18465 代码：https://github.com/Applied-Machine-Learning-Lab/M3oE

多域推荐和多任务推荐已经证明了它们在利用来自不同领域和目标的公共信息进行用户建模方面的有效性。然而，实际的推荐系统通常同时面临多个领域和任务的需求，使得现有方法不能很好地解决这些问题。

基于此，本文提出一种自适应的多领域多任务专家混合推荐框架M3oE。M3oE模型整合了多个领域的信息，同时进行了跨领域、跨任务的知识映射和多目标优化。

具体的，利用三个专家混合模块来分别学习公共的、领域方面的和任务方面的用户偏好，以解纠缠的方式解决多个领域和任务之间的复杂依赖关系。另外，还设计了一种两级融合机制，用于精确控制不同领域和任务的特征提取和融合。再者，采用自动机器学习技术对框架进行动态结构优化，进一步增强了框架的适应性。

在两个基准数据集和不同基线上的广泛实验证明了M3oE的优越性能。