在点击率(CTR)预测场景中,用户的序列行为被很好地利用来捕捉用户的兴趣。然而,尽管这些顺序方法得到了广泛的研究,但仍然存在三个局限性。首先,现有的方法大多是利用对用户行为的关注,并不总是适合于点击率预测,因为用户经常会点击与任何历史行为无关的新产品。其次,在真实的场景中,有许多用户在很久以前就有操作,但在最近变得相对不活跃。因此,很难通过早期的行为准确地捕捉用户当前的偏好。第三,用户历史行为在不同特征子空间中的多重表示在很大程度上被忽略。为了解决这些问题,我们提出了一种多交互关注网络(Multi-Interactive Attention Network, MIAN)来全面提取用户档案中各种细粒度特征(如性别、年龄和职业)之间的潜在关系。具体来说,MIAN包含一个多交互层(MIL),该层集成了三个本地交互模块,通过顺序行为捕获用户偏好的多种表示,同时利用细粒度的用户特定信息和上下文信息。此外,我们设计了一个全局交互模块(GIM)来学习高阶交互并平衡多个特征的不同影响。最后,在3个数据集上进行离线实验,并在一个大规模推荐系统中进行在线A/B测试,验证了本文方法的有效性。
https://www.zhuanzhi.ai/paper/2aac834293c05622fe4cb37096525879