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: