【推荐系统】DUPN:Deep User Perception Network

论文地址: https://arxiv.org/pdf/1805.10727.pdf

Perceive Your Users in Depth: Learning Universal User Representations from Multiple E-commerce Tasks

DUPN (Deep User Perception Network) 通过多任务模型来学习一个通用的用户表征。

1. 系统概览

召回系统的架构如下图所示：

• 有一个商品集( a collection of items)
• 给定用户的query，系统会召回title包含这个query的商品，并且将排在前面的商品列表呈现给用户

2. 模型架构

2.1 输入和行为Embedding(Input & Behavior Embedding)

DUPN 的输入是按时间顺序排列的用户的行为序列 x = { x 1 , x 2 , ⋯   , x N } x=\{x_1, x_2, \cdots,x_N\} x={x1​,x2​,⋯,xN​}

• $x_i$为第 $i$个behavior，$x_i=<ite{m}_i,propert{y}_i>$
• $ite{m}_i$ 表征商品的特征，包括：
  • common features: shop ID, brand, category, item tags (对于长尾商品起主导作用)
  • personalized features: item id (对于popular items起主导作用)
• $propert{y}_i$ 描述行为，包括行为的类型(behavior type，比如点击/收藏/加购物车/购买）、场景(scenario，比如搜索、推荐、广告等)、行为的时间(当前search和行为发生时间间隔、工作日还是周末，早晨还是晚上等)

• 处理方式就是将 multi-hot 的 $x_i=[ite{m}_i,propert{y}_i]$ 通过 linear mapping transform到一个低维空间 $re{s}_i=[e_i,p_i]$ ($e_i$ 和 $p_i$ 分别表示 item 和 property 的 embedding)：
  

2.2 Property Gated LSTM & Attention Net

2.2.1 Property Gated LSTM

• 经过 embedding 层得到的用户行为序列 { r e s 1 , r e s 2 , ⋯   , r e s N } \{res_1, res_2,\cdots,res_N\} {res1​,res2​,⋯,resN​} 被喂进 LSTM， LSTM 根据当前的输入 $re{s}_t$ 和之前的隐向量 $h_{t-1}$ 来更新当前的隐向量 $h_t\in R^{d_h}$
• 考虑到 item embedding $e_i$ 和 behavior property embedding $p_I$ 的不同特点，文章提出了 Property Gated LSTM 对 $e_i$ 和 $p_i$区别处理：
  
  • $p_I$ 反映了行为的重要性，因此在 LSTM 中会作为一个强烈的信号，也就是说，$p_I$ 会极大地影响 what to extract, what to remember and what to forward，会输入到 input gate, forget gate 以及 output gate中(上式的(2), (3), (5))
  • $e_i$ 描述商品的特征，反映了用户的兴趣，是 $c_t$ 的唯一输入

2.2.2 Attention Net

• Property Gated LSTM 的输入是另外一个序列 h = { h 1 , h 2 , ⋯   , h N } h = \{h_1,h_2,\cdots, h_N\} h={h1​,h2​,⋯,hN​}， $h_i$可以视作第 $i$ 个item 的向量表征
• $h$会被输入到一个注意力网络中，注意力网络会根据当前的query给予各个 $h_i$ 不同的权重，最后用加权和来表征序列 $h$
  
  
• $re{p}_s$ 是整个序列 $h$ 的向量表征
• $a_t$ 是 $h_t$ 的权重
• $attention(:\omega )$ 是两层全连接构成的注意力网络，输入包括 当前的query $q$，user profile embedding $u$, behavior$ property $p_t$ 以及 当前的隐向量 $p_t$
• $user$ $embedding=[re{p}_s,u]$

2.3 Multi-task

• 上述得到 user embedding 后，我们定义了一些任务以便同时能够学习，对于每个任务而言，其他的任务都视作regularization，多任务学习的共享表达，可以使得 user representation 泛化性更强，更可靠
• 文中定义了五个任务：
  • CTR 预估：user representation $re{p}_i$ 和 current item resprentation $e_i$ 作为输入，预测 $re{p}_i$ 点击 $e_i$ 的概率
  • L2R: learning to Rank
  • PPP: Price Preference Prediction
  • FIFP: Fashion Icon Following Prediction
  • SPP: Shop Preference Prediction

参考资料

推荐系统遇上深度学习(五十三)-DUPN：通过多任务学习用户的通用表示