RUEL：基于 Edge 浏览器日志检索增强的用户表示用于序列推荐

在线推荐系统（RS）旨在将用户需求与各类平台上可用的大量资源进行匹配。一个关键挑战是在数据稀疏的条件下准确建模用户偏好。为应对该挑战，一些方法利用了来自多平台的外部用户行为数据来丰富用户表示。然而，这些方法都要求跨平台的一致用户 ID，并且忽略了来自相似用户的信息。在本研究中，我们提出 RUEL，一种新颖的基于检索的序列推荐模型，能够有效整合来自 Edge 浏览器日志的外部匿名用户行为数据以增强推荐。我们首先收集并预处理了一年期的大量 Edge 浏览器日志，并将其链接到推荐数据集中对应于候选项目的目标实体。随后，我们设计了一个带有动量编码器和记忆库的对齐学习框架，基于用户表示之间的语义相似度，从完整浏览日志中检索最相关且多样的浏览序列。检索之后，我们应用项目级注意力选择器过滤噪声项目，并为最终预测器生成精炼的序列嵌入。RUEL 是首个将用户浏览数据与典型推荐数据集相连接的方法，并可推广至多种推荐场景与数据集。我们在四个真实数据集上针对序列推荐任务进行了大量实验，表明 RUEL 显著优于最先进的基线方法。我们还进行了消融研究和定性分析，以验证 RUEL 各组件的有效性，并提供了关于我们方法的进一步见解。