简介
如何获取用户动态变化和演化的兴趣是CTR预估中持续的研究:序列由session组成,session是用户根据发生时间进行切割的行为。用户的行为在每个session里面是连贯的,在不同session中是异构的。DSIN利用了用户历史序列中多个的历史session。DSIN带Bias Encoding的self attention机制在每个用户Session中抽取用户session。然后我们用Bi-LSTM在session之间建模用户兴趣的演化和交互。最终用局部attention自适应地学习不同session对目标物品的影响。
整体结构
DSIN在MLP之前包含两个部分,一个是用户画像和物品画像生成的embedding向量。一个建模了用户行为,它包含四层:(1)Session切割层将用户兴趣序列切割成session(2)兴趣抽取层抽取了用户session内部的兴趣。(3)session兴趣交互层捕捉了session兴趣之间的关系。(4)session兴趣激活层在目标物品和用户session兴趣之间使用了局部attention。
Session切割层
为了抽取更加准确的用户兴趣,我们切割了用户的行为序列S到Session集合Q。其中第k个Session Qk=[b1;…;bi;…bt],Rtxdmodel. T是session的行为长度。Seesion的切割发生在用户超过30分钟的连续行为之间。