基于全生命周期行为建模的通用用户表征赋能方法
机器学习
2023-07-13 v4
摘要
用户建模在工业界起着至关重要的作用。在该领域中，生成适用于多种下游用户认知任务的通用表征的任务无关方法，比特定任务表征学习更具价值和经济性，是一个有前景的方向。随着互联网服务平台的快速发展，用户行为被持续积累。然而，现有的通用用户表征研究对于自用户注册以来的极长行为序列缺乏全生命周期建模能力。在本研究中，我们提出了一种称为全生命周期用户表征模型（LURM）的新框架来应对这一挑战。具体而言，LURM由两个级联子模型组成：（I）兴趣词袋（BoI）将任意时间段内的用户行为编码为超高维（如10^5）稀疏向量；（II）自监督多锚编码器网络（SMEN）将BoI特征序列映射为多个低维用户表征。特别地，SMEN得益于能够学习用户不同兴趣方面的新型多锚模块，实现了近乎无损的降维。在多个基准数据集上的实验表明，我们的方法优于最先进的通用表征方法。
引用
@article{arxiv.2110.11337,
title = {Empowering General-purpose User Representation with Full-life Cycle Behavior Modeling},
author = {Bei Yang and Jie Gu and Ke Liu and Xiaoxiao Xu and Renjun Xu and Qinghui Sun and Hong Liu},
journal= {arXiv preprint arXiv:2110.11337},
year = {2023}
}
备注
Accepted by KDD 2023