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