语言建模在推荐系统中的关键作用：丰富任务特定与任务无关表示学习

近期的研究提出了统一的用户建模框架，利用来自各种应用的用户行为数据。其中许多受益于将用户行为序列用作纯文本，以不损失通用性的方式表示任意领域或系统中的丰富信息。因此，一个问题随之产生：对用户历史语料的语言建模是否有助于改进推荐系统？尽管其多用途可用性已在许多领域得到广泛研究，但其在推荐系统中的应用仍未被充分探索。我们表明，直接应用于任务特定用户历史的语言建模在多样化推荐任务上取得了优异结果。此外，利用额外的任务无关用户历史带来了显著的性能提升。我们进一步证明，我们的方法可为广泛的真实世界推荐系统提供有前景的迁移学习能力，即使在未见过的领域和服务上也是如此。