深度感知您的用户：从多电商任务中学习通用用户表征
机器学习
2018-05-29 v1 机器学习
摘要
搜索和推荐等任务对于电商应对信息过载问题已变得愈发重要。为满足不同用户的多样化需求，个性化起着重要作用。在淘宝和亚马逊等许多大型门户中，有一系列不同类型的搜索和推荐任务同时运行以实现个性化。然而，当前大多数技术分别处理每个任务。这是次优的，因为没有跨不同任务共享的用户信息。本工作中，我们提出跨多个任务学习通用用户表征，以实现更有效的个性化。具体而言，用户行为序列（例如产品的点击、收藏或购买）通过 LSTM 和注意力机制建模，整合所有相应的内容、行为和时序信息。用户表征在端到端设置下跨多个任务共享和学习。受益于多任务更好的信息利用，用户表征更能有效反映其兴趣，且更具通用性以迁移至新任务。我们将此工作称为深度用户感知网络（DUPN），并进行了广泛的离线和在线实验。在所有测试的五个不同任务中，我们的 DUPN 通过提供更有效的用户表征一致地取得更好结果。此外，我们将 DUPN 部署于淘宝的大规模运营任务中。还提供了详细实现（例如增量模型更新）以解决实际应用中的现实问题。
引用
@article{arxiv.1805.10727,
title = {Perceive Your Users in Depth: Learning Universal User Representations from Multiple E-commerce Tasks},
author = {Yabo Ni and Dan Ou and Shichen Liu and Xiang Li and Wenwu Ou and Anxiang Zeng and Luo Si},
journal= {arXiv preprint arXiv:1805.10727},
year = {2018}
}
备注
10 pages, accepted an oral paper in sigKDD2018(industry track)