面向跨域点击率预测的双重注意力序列学习

跨域推荐系统通过聚合和迁移用户在多个类别域中的偏好，构成了解决冷启动和稀疏性问题的一种有力方法。因此，它在拥有多产品域的在线商务平台中具有提升点击率预测性能的极大潜力。尽管已有若干跨域序列推荐模型被提出以利用源域信息改进目标域的 CTR 预测，它们并未考虑用户偏好在源-目标域对之间的双向潜在关系。因此，它们无法同时为两个域提供增强的跨域 CTR 预测。本文中，我们提出一种基于双重学习机制的跨域序列推荐新方法，该机制以迭代方式在两个相关域之间同时迁移信息，直至学习过程稳定。具体而言，所提出的双重注意力序列学习（DASL）模型由双重嵌入与双重注意力两个新颖组件构成，它们共同建立两阶段学习过程：我们首先构建双重潜在嵌入以同时提取用户在两域中的偏好，随后通过双重注意力学习机制将提取的潜在嵌入与候选物品匹配，提供跨域推荐。我们在三个真实世界数据集上进行了充分的离线实验，以证明所提模型的优越性，其在所有实验设置下均显著且一致地优于若干最先进的基线。我们还在大型视频流平台阿里巴巴-优酷上进行了在线 A/B 测试，所提模型相比公司最新生产系统显著提升了业务性能。