推荐系统遇上深度学习(一三五)-序列推荐中的特征粒度深度自注意力网络

从这篇开始，咱们陆续来介绍几篇推荐系统中特征建模的文章。今天要介绍的是19年的一篇文章，算是比较早的一篇在特征上进行建模的论文，对现在的一些建模方式具有一定的借鉴意义，一起来看一下。

1、背景

序列推荐的目标是基于用户的历史行为序列pattern，来推荐用户下一个最可能交互的item。这种pattern不仅存在在item粒度，也可能存在特征粒度。从item粒度举例，如购买过苹果手机的用户，很有可能下一个会购买苹果手机壳；从特征粒度来讲，以品类为例，购买了衣服的用户，后有可能下一个会购买鞋子。因此，从item和feature粒度对用户的行为偏好pattern进行建模，对于提升推荐效果是具有显著的意义的。但当前（指该论文发表以前，现在对于特征建模的论文就比较多了）的论文大都关注item粒度的pattern建模，而忽略了feature粒度的pattern建模。因此，论文提出了Feature-level Deeper Self-Attention Network (以下简称FDSA)，使用self-attention对用户feature粒度的偏好pattern进行建模。

2、FDSA介绍

FDSA模型的整体结构如下图所示：