DUMN : Deep User Match Network for Click-Through Rate Prediction

个人公众号,欢迎关注

YouChouNoBB

 

介绍一篇很有意思的论文,DUMN,论文的亮点在于将item侧的行为序列也加入建模,通过计算user to user 的相似度,来表达target user与target item之间的相似度.

论文地址:Deep User Match Network for Click-Through Rate Prediction | Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval

1.主要介绍其中的4个模块

1)Embedding Layer

2)User Representation Layer

3)User Match Layer

4)Output Layer

2.Embedding Layer,主要介绍一些向量的定义

1)User Behavior:

I_{u}=[i_{1},i_{2}...i_{Nu}] ,其中i为itemid

2)Item Behavior:其中u_{i}为userid,并附带一个用户行为序列I_{u}

3) e_{u} : User profile vector,用户基础画像向量

4) e_{m} :  Target item vector,目标item向量

5) e_{c} : Context vector,上下午场景向量

6) x_{u} : 用户行为向量,由一系列item的向量组成

7)z_{m} : item行为向量,由一系列用户的行为向量x_{u}和画像向量e_{u}组成

3. User Representation Layer

 1)主要由用户行为向量x_{u}=[e_{i}...e_{N}],用户画像向量e_{u},Target item向量e_{m}进行attention计算得到

 

 其中,e_{i_{k}}为用户交互的item向量,b_{a}为bias,V_{a},W_{a}为模型学习的参数矩阵,\sigma是激活函数sigmoid

\gamma _{k} 为每个item计算得到的权重,进行归一化为 \mu_{k}

再将\mu_{k}乘回item的向量e_{i} 得到新的item向量

将新的item向量进行sum pooling得到用户的兴趣表达向量 \hat{r}_{u}

最终将兴趣表达向量和画像向量concat得到用户的表达向量 

4.User Match Layer

 这一层主要是通过当前用户交互过target item的用户向量,来计算用户与用户之间的相关性,从而可以得到当前用户target item 之间的相关性表达 ,其中的用户向量都是由上一节的user representation layer计算得到

这里有一个值得讨论的地方

1)交互过target item的用户很多,应该怎么选取论文没有讲清楚,只说了取30个比较合适,在实际应用中,我们是否需要选取一些活跃的用户?

2)用交互过target item的用户来计算target user与target item之间的相似度,是否一定需要用这样的模型结构来解决,直接加item侧对应的特征是否能满足需求?

4.1 Relevance Unit

该模块用来衡量用户与用户之间的相似度,计算方式比较简单,使用余弦相似度

 其中r_{u_{a}} 表示用户u_{a} 在上一节计算得到的向量表达,不止target user可以通过这个模块计算,所有user都能通过这个模块计算得到用户向量

通过这种方式,我们可以计算target usertarget item交互过的所有user的相似度\alpha _{k}

这样我们就能用相似度乘上用户表达向量,sum pooling之后得到一个匹配表达向量s_{u}

同时,我们还可以将所有相似度求和,得到target user与target item的一个匹配度

这个时候再回过来看User Match Layer是不是简单很多了

 

5.Output Layer 

最后输出层就很简单了,匹配表达向量s_{u},用户表达向量r_{u},匹配度R_{u},target item 向量e_{m}上下文向量e_{c} 进行concat,然后经过2层全连接,最后sigmoid输出

个人公众号,欢迎关注

YouChouNoBB

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值