关注我们，一起学习~
标题：Ada-Ranker: A Data Distribution Adaptive Ranking Paradigm for Sequential Recommendation 地址：https://arxiv.org/pdf/2205.10775.pdf 代码：https://github.com/RUCAIBox/Ada-Ranker 会议：SIGIR 2022 主要参与：微软，人大
1. 导读
现在主流的排序模型设计和使用方式是：离线训练模型，冻结参数，并将其部署到在线服务。但是实际上，候选商品是由特定的用户请求决定的，其中潜在的分布（例如，不同类别的商品比例，流行度或新商品的比例）在生产环境中彼此之间存在很大差异。经典的参数冻结推理方式无法适应动态服务环境，使得排序模型的表现受到影响。
本文提出了一种新的训练和推理范式，称为 Ada-Ranker，以应对动态在线服务的挑战。Ada-Ranker 可以根据当前候选商品组的数据分布自适应地调整排序模型ranker的参数，而不是使用参数冻结模型进行通用服务。首先从候选项目中提取分布模式。然后，通过模式调整ranker，使ranker适应当前的数据分布。最后，使用修改后的ranker对候选列表进行评分。
2. 懒人阅读
本文提出ada-ranker方法，该方法根据候选商品集合的数据分布自适应的调整排序模型中相应的参数，本文主要是考虑序列推荐，对于其他类型是否有效未知。通过神经过程编码对候选集的数据分布进行编码，通过重参数化将分布信息应用于整个网络。然后，利用分布信息分别修改序列编码层和最后的预测层，得到实现即插即用，模型无关的两个组件。
3. 问题定义
给定来自用户u的请求，召回模块使用多种方法（例如基于流行度、item-to-item，近似最近邻搜索）来检索一小部分（通常为数百或数千）候选商品：
。排序模型ranker 的目标是对C中的每个候选商品v进行评分，并返回（top-
