CTR 预测理论（二十四）：推荐系统中序列(Sequence)与会话(Session)区别

18-19 年出现了很多建模用户行为序列的文章，代表论文有 DIN、DIEN、DSEN和BST(Behavior Sequence Transformer)，其中 DIN、DIEN、BST 旨在建模用户行为序列，DSEN 则进一步深入到会话（Session）层次。本博文旨在对序列建模中遇到的 Sequence 和 Session 做分析介绍。

1. Sequence 和 Session 区别

结论： Session 和 Sequence 本质上都是由 user behaviors 组成， Session 只是根据一定时间规则对 sequence 进行划分的结果（一个 sequence 由 k 个 session 组成 ）。

2. 划分 Session 原因

将 Sequence 进一步细化到 Session 原因： 同一 Session 内部用户行为高度相关（同构），不同 Session 间用户行为差异比较大（异构）。

如下图，将用户的点击行为按照时间排序，判断每两个行为之间的时间间隔，前后的时间间隔大于 30min（DSEN论文所取时间，可修改），就进行切分。可以看到，第一个session中，用户查看的都是跟裤子相关的物品，第二个session中，查看的是戒指相关的物品，第三个则是上衣相关。从中可以观察到用户的行为在每一个session中行为是高度相近的（同构），在不同session间行为是差别较大的（异构）。

这说明用户在同一个 session 下对购买商品有一个明确的、单独的需求，但是一旦开启一个新的 session ，用户的兴趣将会发生很大的变化。正是基于该观察，阿里提出 Deep Session Interest Network（DSIN）尝试更细致建模用户历史行为中的 Session 信息。

3. 如何划分会话（Session）

将用户的历史点击行为序列 S 进行切分：首先将用户的点击行为按照时间排序，判断每两个行为之间的时间间隔，如果前后的时间间隔大于 30min，就进行切分。切分后，我们可以将用户的行为序列 S 转换成会话序列 Q。第 k 个会话 $Q_k=[b_1,b_2,\dots ,b_i,\dots ,b_T]$ , 其中，T 是会话的长度，$b_i$ 是会话中第 i 个行为。

分解的方式可以视实际情况，DSEN 论文中作者是按间隔时间 30 分钟来分解的。