Deep Session Interest Network for Click-Through Rate Prediction
Yufei Feng, Fuyu Lv, Weichen Shen, Menghan Wang, Fei Sun, Yu Zhu and Keping Yang
Alibaba Group, Zhejiang University
https://www.ijcai.org/Proceedings/2019/0319.pdf
点击率预估在很多工业界应用(比如在线广告和推荐系统)中扮演者重要角色。
如何从用户行为序列中捕捉用户动态演变的兴趣在ctr预估中是一个持续不断的研究对象。
然而,目前大多数研究忽视了序列的内在结构: 每个序列都是由会话构成的,会话即为通过时间来分割的用户行为。同一个会话重的用户行为高度同质,不同会话中的用户行为具有异质性。
基于以上发现,作者们提出一种新的CTR模型,即深层会话兴趣网络,该模型能够利用用户行为序列中的多个历史会话。
首先利用带有偏移编码能力的自注意力机制来提取用户在每个会话中的兴趣。然后利用双向lstm对不同会话中的用户兴趣之间的关联进行建模。最后利用局部激活单元来自适应学习用户的多个会话中的兴趣如何决定目标商品。
在广告和推荐数据集上的实验表明,DSIN的效果优于其他STOA模型的效果。
几个会话的图示如下
这篇文章的主要贡献如下
考虑序列行为的模型主要有以下几个
基于会话的推荐方法主要有以下几种
所利用的特征包含用户特征,商品特征,以及用户行为特征
特征embedding方式如下