实时系统中的会话内上下文感知信息流推荐

信息流推荐允许用户持续浏览条目直到失去兴趣并离开会话，这与传统推荐场景不同。在一个会话内，用户继续浏览与否的决策会显著影响后续点击的发生。然而，此类曝光偏差在大多数信息流推荐研究中通常被忽略或未显式建模。本文将该效应建模为会话内上下文的一部分，并提出一种新颖的会话内上下文感知信息流推荐（INSCAFER）框架，以同时最大化总浏览量与总点击量。用户点击与浏览决策通过多任务设置联合学习，会话内上下文由会话级已曝光条目序列编码。我们将模型部署于线上，所有关键业务指标均得到提升。我们的方法为旨在优化会话级点击与浏览指标的信息流推荐研究提供了一些启示。