推荐系统实战（四）精排-用户行为序列建模

用户行为序列是推荐系统中最重要的一类特征，比如用户的点击序列、观看序列等等。

一、行为序列信息构成

序列中每个元素的embedding由多个部分拼接而成，以下为两个主要部分：

1、物料ID的embedding。

2、时间差信息。即物料消费的时间与当前时间的时间差值。

3、其他信息，比如观看视频的一些元信息（比如作者、来源、分类等）还有动作程度（比如观看时长、观看次数等）。

二、简单pooling

要将用户行为序列压缩成一个embedding，最简单的方式是按位操作（element-wise）。

1、Sum pooling：

Youtube DNN就采用sum pooling来建模。这样做的缺点如下：

• 用户行为与候选物品之间缺少特征交叉。
• 推荐不同候选物品时，用户行为序列建模结果不变。
• 每个行为同等对待，重要性没有区分。

2、Average Pooling：

3、Weighted-sum Pooling：，权重由时间差或者动作程度等来决定。

简单pooling得到的用户兴趣是固定的&#x