随着深度学习技术的发展，深度推荐模型在推荐准确性方面也取得了显著的改善。然而，由于在真实场景中候选物品数量众多，并且用户偏好计算成本高，这些原因导致了推荐效率低的结果。最近提出的基于树的深度推荐模型通过在推荐目标的指导下直接学习树的结构和表示来缓解这一问题。然而，这种模型有两个缺点：首先，层次树中的最大堆假设在其二元分类目标中难以满足，即对父节点的偏好应该是其子节点偏好之间的最大值；其次，学到的索引只包括一棵树，这与广泛使用的多树索引不同，因为多树索引可以提高推荐的准确性。
为此，本文提出了一种基于深度森林的推荐模型（简称DeFoRec），以实现高效的推荐效果。在DeFoRec中，所有在训练过程中产生的树都被保留下来以形成森林。在学习每棵树的节点表示时，本文必须尽可能地满足最大堆假设，并在训练阶段模仿树上的定向搜索行为。具体的，它将训练任务视为对同一层次的树节点进行多分类任务。然而，树节点的数量随着级别的增加而呈指数级增长，这使得本文不得不在采样-最大限度技术的指导下训练偏好模型。最后，本文在真实世界的数据集上进行了实验，验证了所提出的基于森林的深度推荐算法和树状学习方法的有效性。
感兴趣的读者可阅读原论文进行深入阅读。
论文地址：
https://dl.acm.org/doi/abs/10.1145/3477495.3531980
