SDM是阿里团队在2019年CIKM上提出的一种解决用户动态兴趣建模的推荐系统模型。它通过RNN和注意力机制结合短期和长期用户行为，有效地融合了用户的不同兴趣趋势。实验表明，SDM相比传统模型如MF、YouTubeDNN等更能考虑用户兴趣的演变。
SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
2019-CIKM 阿里团队
item CF 不能建模用户动态和演化的偏好。本文提出SDM，解决两个问题：
- 一个session中可能有多种兴趣趋势
- 长期偏好可能无法与当前session的兴趣有效融合
个人认为本文的亮点有：
- user emb做query，对于序列LSTM之后的隐藏h序列（多头自注意力之后）做atten；对于长期序列不同feat分别做atten
- gate融合长期表示和短期表示，并且可视化case study解释
2 RELATED WORK
- 工业界：MF、YoutubeDNN、TDM、EGES、PinSage 这些模型不能很好地考虑用户动态演化的兴趣
- 序列推荐：序列推荐旨在以一种顺序的方式建模用户的偏好和预测用户未来的行动，如下一次点击。FPMC、HRM、GRU、CNN、记忆网络…
3 THE PROPOSED APPROACH
3.1 问题定义
- 短期session S u S^u Su 长度为m
- 长期行为 L u L^u
最低0.47元/天 解锁文章
扫一扫
6693
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
