KDD2019|基于注意力的深度学习如何实时预测购买还是浏览

Buying or Browsing? : Predicting Real-time Purchasing Intent using Attention-based Deep Network with Multiple Behavior

Long Guo, Lifeng Hua, Rongfei Jia, Binqiang Zhao, Xiaobo Wang, Bin Cui

Alibaba Group, Peking University

https://dl.acm.org/doi/pdf/10.1145/3292500.3330670?download=true

电子商务平台是人们经常光顾的场所，在电子商务平台上可以寻找、比较并最终购买所需要的产品。

在电子商务中，有一个基本问题，即如何才能精准的预测用户的购买意向，为了预测用户的购买意向，非常重要的部分即为理解用户的潜在需求，只有比较好的理解了用户的需求所在，才能为商家和客户提供更好的服务。但是，很多工作都无法高精度并且实时地预测用户的购买意向，原因在于这些工作受限于比较传统的浏览交互行为的表示能力。

这篇文章提出了一种新的端到端深度网络，深度意图预测网络，简称DIPN，该网络能够实时预测用户的购买意向。该网络除了利用传统的浏览交互行为，还收集一种新的用户交互行为，即触碰交互行为，通过这种行为可以捕获更细粒度的实时用户特征。

为了对这些行为进行比较高效的比较，本文提出了一种分层注意力机制，其中，底层的注意力层集中在每个行为序列中的内部关系，顶层的注意力层用于学习不同的行为序列之间的关系。另外，作者们利用多任务学习来训练DIPN，进而将不同的用户行为模式更好地区分开来。

在大规模工业级数据集上的实验表明，DIPN显著优于基准方案。值得注意的是，只利用传统的浏览交互行为序列时，DIPN的AUC相对SOTA高了18.96%。DIPN已经部署在淘宝的业务系统中。

每个用户每天发生的浏览、点击、滑动次数统计示例如下

这篇文章的主要贡献如下

购买意图预测相关的工作如下

购买行为预测跟序列分类之间的关系如下

多任务学习的分类及描述如下

滑动交互行为主要包含以下三块特征

滑动和点击交互行为数据示例如下

本文所涉及的特征有以下几类

1. 滑动交互特征

2. 点击交互特征

3. 浏览交互特征