推荐系统遇上深度学习(四十三)-考虑用户微观行为的电商推荐

在过去我们介绍的推荐方法中，特别是电商领域的推荐，其考虑的只是用户的**宏观交互行为(macro interaction)，如用户购买了xx物品，点击了xx物品。今天看到一篇不错的文章，将用户的微观行为如浏览商品的时间、对商品详情和评论的阅读等、渠道等等微观行为(micro behaviors)考虑进来，并取得了不错的实验效果。咱们来一探究竟。

论文名称：《Micro Behaviors: A New Perspective in E-commerce Recommender Systems》
论文地址：http://184pc128.csie.ntnu.edu.tw/presentation/18-03-13/Micro%20Behaviors%20A%20New%20Perspective%20in%20Ecommerce%20Recommender%20Systems.pdf

1、问题定义

我们首先来看一下，什么是宏观交互行为和微观行为：

上面的图中，宏观交互行为就是我们的一个点击序列，如iphone7->iphone 6->iphone 7 case -> samsungGalaxy。但是微观行为多种多样，比如我们搜索了iphone，看到了iphone7，点击进入商品详情页后又看了商品的描述和用户的评价，并将其加入购物车等等。同时，每种行为都有一定的停留时间。

因此，我们有如下的符号定义：

P={p₁,p₂,..,p_N}代表N个不同的商品。
A={a₁,a₂,...,a_M}代表M种不同的行为。
D={d₁,d₂,...,d_K}表示将停留时间分为K档。

因此，用户的每一次行为可以表示为(p_i,a_j,d_k)，即用户在在商品p_i上有过a_j行为，并花费了d_k档的时间。

我们的推荐问题就变为了，基于用户的行为序列(p_i,a_j,d_k)，来预测用户下一个可能感兴趣的物品。