内容推荐算法：异构行为序列建模探索，javaio流面试题

前文提到内容兴趣不够用，我们首先基于i2i尝试了商品与内容的混合协同，取得了一定的收益。然后基于电商兴趣的标题作相关内容的严格相似召回，却收益为负，这说明跨域的兴趣不可生搬硬套，也与前文的兴趣差异统计相吻合。

所以一个能胜任的召回模型，应满足以下期望：

• {电商，内容}两个domain的历史行为都能用上；

• 交互序列是刻画用户精确意图的关键， 要能对序列建模而非孤立的交互单元；

• 既然两个domain兴趣差异存在， 就要能学到 电商兴趣到内容兴趣 的迁移规律。

基于以上理念， 我们设计了兴趣迁移 Interest Transfer Matching Model  (In_Match for short)，取得了以下显著收益（业务指标为内部数据，此处只列ab实验的相对提升）

• 推荐综合指标上，人均点击提升+11.17%，pv_ctr提升+12.16%;

• 大幅缓解推荐过于集中的状况，top内容的曝光占比下降25%;

• 该路向量召回大幅超越content-based feature对应的几路召回，甚至高于内容协同召回。

---

▐  模型架构及主要贡献

---

图1-1.In_Match 的模型架构

图1-2.encoder-decoder 内部细节示例

主要贡献有：

• multi modality

• • 考虑到稀疏性，引入多模态性能提升+5%

• semantic projection

• • 填补 商品/内容 语义空间上的gap

• 基于decoder来学习[整个session]点击

• • 学习session点击，相较next one ，SDM有对比收益

• decoder架构更适