推荐系统遇上深度学习(一三零)-[阿里]电商搜索CTR预估中页面级反馈建模

今天来介绍一篇阿里在WSDM2022上中稿的文章，与之前的用户兴趣建模的论文引入单点用户行为序列不同，本文引入了页面级的用户行为序列，充分建模用户反馈的上下文信息和页面兴趣演化过程。出发点较新颖，一起来研究一下。

1、背景

电商场景下，搜索扮演着十分重要的角色。典型的搜索场景如下图所示，当用户输入搜索关键词后，搜索引擎会选择一堆物品并以翻页（ Search Result Page，简称SRP）的形式展现给用户。每当用户翻到页面的底端或者重新输入搜索关键词，搜索引擎会展示新的SRP。在用户最终下单前，通常会浏览多个SRP同时与多个item产生交互行为。为了达到更好的推荐效果，建模用户在这些SRP上的反馈显得十分重要。

传统的用户行为建模，大都建模用户正向的反馈（只使用点击或下单序列），如DIN，DIEN。而在DFN（Deep Feedback Network）中，证明了同时建模用户正向反馈和负向反馈能够取得更好的效果。但是，上述的方法只引入了用户的单点反馈信息，同时将用户的反馈信息拆成单独的队列，忽略了展现在同一SRP上不同item的相互影响以及其他的上下文信息。

那么为了解决上述所提出的问题，将传统的单点行为序列建模升级为页面级用户行为建模，充分建模用户反馈的上下文信息。

那么，这种页面级历史行为的建模核心是什么呢？论文从两方面展开：

1）页面内上下文信息建模（Intra-page context information）：用户对item的反馈受相邻展示的item的影响。建模页面的上下文信息能够更好的推测用户的兴趣。一方面，用户的正向反馈是存在一定噪声的，举例来说，如果页面上展示的大部分是同一