面向全空间多任务学习的多尺度用户行为网络
信息检索
2022-08-18 v2
摘要
对用户多种行为建模是现代电子商务的重要组成部分，其广泛应用为联合优化点击率(CTR)与转化率(CVR)预测。现有多数方法忽视了用户行为的两个关键特征：对于每个物品列表，(i) 上下文依赖性指用户对任意物品的行为并非仅由该物品本身决定，还受同一序列中其他物品上用户先前行为(如点击、购买)的影响；(ii) 多时间尺度指用户可能频繁点击但周期性购买。为此，我们提出一种名为分层循环全空间排序(Hierarchical rEcurrent Ranking On the Entire Space, HEROES)的新多尺度用户行为网络，其以多尺度方式融入上下文信息以估计用户多种行为。具体地，我们引入分层框架，下层建模用户参与行为，上层估计用户满意行为。所提架构可自动为各层学习合适时间尺度以捕捉动态用户行为模式。除架构外，我们还引入 Hawkes 过程以形成新颖循环单元，其不仅能编码上下文中的物品特征，还能刻画用户先前行为的激发或抑制。我们进一步展示 HEROES 可通过与生存分析技术结合扩展构建无偏排序系统。在三个大规模工业数据集上的大量实验证明了我们的模型相较最先进方法的优越性。
引用
@article{arxiv.2208.01889,
title = {Multi-Scale User Behavior Network for Entire Space Multi-Task Learning},
author = {Jiarui Jin and Xianyu Chen and Weinan Zhang and Yuanbo Chen and Zaifan Jiang and Zekun Zhu and Zhewen Su and Yong Yu},
journal= {arXiv preprint arXiv:2208.01889},
year = {2022}
}
备注
CIKM 2022