AAAI2023 | 基于动态路由的多行为序列推荐方法，解决数据异质与不平衡问题

TLDR：本文首先讨论了在序列推荐中需要考虑的多行为序列的特性，即多行为序列中的不平衡性、异质性以及多行为序列间的独特性与关联性，然后提出了基于动态路由的多行为序列建模新方法，分别从序列层面和物品层面来动态计算其特征重要性。

链接：https://arxiv.org/abs/2301.12105

序列推荐系统旨在通过对用户在其物品序列中的兴趣进行建模，进而预测用户将点击或购买的下一个物品。当前大多数现有的序列推荐方法只关注单一类型的用户行为。虽然多行为序列在现实世界场景中非常普遍（多行为序列可以是点击、加购物车、收藏以及购买等行为），但也只是有少量相关的研究工作。与单一行为数据相比，用户的多行为提供了用户兴趣的不同视角，这些视角共同揭示了用户兴趣的背景和用户行为之间的因果关系。

在多行为序列中有效地捕捉用户的兴趣是具有挑战性的，因为用户兴趣以复杂的关系贯穿在整个序列中。具体挑战性体现在以下4个方面：

1）每种行为类型的数据分布是不平衡的。例如，用户通常点击或者浏览商品而不是添加购物车或购买。

2）多行为序列涉及到用户兴趣的异质性信息，因此在预测用户的下一个项目时，每种行为都可以提供互补的信息。例如，购买数据意味着用户的一般偏好，而最近的点击数据则表明用户当前的即时短期兴趣。

3) 每种类型的行为序列所涉及的关键信息及其重要性对用户来说是个性化的。例如，一个行为序列可能表明用户对某一物品类别、品牌或价格感兴趣，也可能不重要，这取决于用户对该行为的意图。因此，该模型应该能够根据用户的情况从行为序列中提取必要的信息。

4）行为序列之间存在着关联性。换句话说，一个行为序列的重要信息可以根据其他序列的信息来确定。例如，如果一个用户最近点击了类似类别的物品，它也可能影响到购买序列。

基于以上挑战，本文提出了动态多行为序列建模的新方法，即轻量版的DyMuS和改进版的DyMuS+。其中，DyMuS首先利用门循环单元（GRU）对每个行为序列进行独立编码，然后使用动态路由将编码的序列根据序列之间的相关性结合起来，从众多候选者中动态地整合最终结果所需的信息。

尽管DyMuS通过动态路由考虑了多行为序列之间的相关性，用以发现其中的异质性和个性化信息，但由于它对每个序列进行独立编码，因此在捕捉项目层面的异质性和个性化信息方面存在局限。因此，DyMuS+进一步地将动态路由机制应用于每个行为序列的编码，以捕捉项目层面的相关性。

最后，本文还发布了一个全新的、大型的多行为推荐数据集。

通过对DyMuS和DyMuS+的实验表明了它们的优越性和捕捉多行为序列特征的意义。