原创 秋枫学习笔记 秋枫学习笔记 2024-01-14 11:49 发表于上海
本文是针对触发诱导推荐(Trigger-Induced Recommendation,TIR)提出的推荐算法,所谓TIR就是比如在大促活动会场点击某个item后会跳转到承接页,承接页里会有相关的商品,这些商品就是通过点击前面的item触发的,这个item有点像一个“钩子”。例子如下图所示
触发的item可以表明用户的即时兴趣,本文提出的深度进化即时兴趣网络DEI2N,对即时兴趣进行建模,从而更好地在承接页进行商品推荐。
Alt text
如图2所示,用户即时兴趣建模层通过同时考虑触发item和用户行为来对用户即时兴趣进行建模,当用户向下滑动时,预测即时兴趣强度的动态变化。用户soft兴趣建模层和用户hard兴趣建模层用于根据触发item和目标item从用户的行为中提取用户的兴趣。融合兴趣层利用用户即时兴趣融合从用户soft兴趣建模层提取的用户兴趣。交互层学习触发item和目标item的特征之间的交互关系。
用户在点击了触发item的时候,这个item代表了他当时的即时兴趣,但是当用户在承接页不断往下滑动的时候,他的进来时对应的即时兴趣的强度会发生动态变化。
因为,作者发现,当用户向下滑动时,与触发item具有相同类别的item与不同类别的item之间的CTR的差异时不断缩小的。
用户即时兴趣建模层预测用户向下滑动时即时兴趣强度的动态变化。输入包含用户画像、上下文信息、触发item和触发item相关的子序列的池化,输入到MLP中,生成两个概率得分,
和
,
,
其中
表示用户历史行为中和当前触发item的类目相同的item构成的序列,按时间排序。
分别表示触发item和目标item和历史子序列的相关性。它负责确定用户对触发item/目标item的感兴趣程度。上下文emb中包含用户当前正在浏览的页码,作者发现页码能显著的反映用户即时兴趣强度的演变。
通常计算用户兴趣的时候,是基于候选item和历史行为序列进行attention等操作,但是对于触发的业务场景,触发item反映用户对当前item有较强的即时兴趣,所以需要同时考虑触发item和目标item。
利用多头自注意力机制处理用户的历史行为序列,对于自注意力机制大家应该都比较熟悉了,这里不再赘述,最后得到的emb表示为
。使用两个注意力单元分别提取用户对目标item和触发item的兴趣。并且加入时间信息
。这里的时间信息是用户历史行为的时间间隔表征,下面以目标item为例(同理可以得到触发item的soft兴趣表征),其中
表示经过多头自注意力之后,历史行为中第j个item的表征,
表示第j个item距今的实践间隔表征,a()为注意力单元,如图2右上(和DIN有类似之处)
和前面即时兴趣建模类似,从历史序列中筛选出和触发item类型一样的item组成的子序列,聚合这个子序列对前面提取的即时兴趣起到补充作用。这个过程有助于过滤掉不相关的噪声,并覆盖更长时间的用户历史行为。
, T是子序列的长度。子序列的时间间隔表示为
. 然后,使用之前提到的注意力单元来捕捉用户兴趣相对于目标item的相关性。由于该子序列已经与触发项相关,因此不需要再在触发item上再来一次。
前面通过即时兴趣建模得到了用户对触发item和目标item的相关性,并且得到了对应兴趣的emb表征,因此融合时就是利用得到的权重对两部分进行加权,将两部分兴趣融合
在交互层,操作也比较简单,将触发item和目标item的emb进行交互,将两者逐元素相乘再拼接经过MLP
最后拼接hard兴趣
,
和$${e^i}进行预测和交叉熵损失函数构造
Alt text