面向触发诱导推荐中点击率预测的深度演化即时兴趣网络

推荐系统在电子商务、流媒体、社交媒体等诸多行业中发挥着关键作用。最近，一种称为触发诱导推荐（Trigger-Induced Recommendation, TIR）的新型推荐场景正在许多电商平台（如 Alibaba.com 和 Amazon）中扮演重要角色，该场景允许用户通过触发物品显式表达其即时兴趣。由于未显式建模用户的即时兴趣，传统推荐方法在 TIR 中通常只能获得次优结果。尽管已有少数方法同时考虑触发物品和目标物品来解决此问题，但它们仍未考虑用户行为的时间信息、用户向下滚动时即时兴趣的动态变化以及触发物品与目标物品之间的交互。为解决这些问题，我们提出了一种新方法——深度演化即时兴趣网络（Deep Evolutional Instant Interest Network, DEI2N），用于 TIR 场景下的点击率预测。具体而言，我们设计了一个用户即时兴趣建模层，用于预测用户向下滚动时即时兴趣强度的动态变化。时间信息被用于用户行为建模。此外，还引入了一个交互层，以学习触发物品与目标物品之间更好的交互。我们在多个离线数据集和真实工业数据集上评估了我们的方法。实验结果表明，我们提出的 DEI2N 优于最先进的基线方法。此外，在线 A/B 测试证明了其在真实生产环境中相对于现有基线的优越性。