场景自适应细粒度个性化网络：将用户行为表示适配至场景上下文

现有方法通常仅在聚合用户行为序列后才自适应地调整表示。这种对整个用户序列进行重新加权的粗粒度方法，阻碍了模型准确建模不同场景间用户兴趣迁移的能力。为了增强模型在每个场景下从历史行为序列中捕获用户兴趣的能力，我们开发了一个名为场景自适应细粒度个性化网络（SFPNet）的排序框架，该框架为多场景个性化推荐设计了一种细粒度方法。具体而言，SFPNet 由一系列顺序堆叠的名为场景定制块的模块组成。每个模块首先部署一个参数个性化单元，通过重新定义基础特征在粗粒度层面上整合场景信息。随后，我们将场景自适应调整后的特征表示整合为上下文信息。通过采用残差连接，我们将此上下文融入每个历史行为的表示中，从而在场景层面实现行为表示的上下文感知细粒度定制，这进而支持了场景感知的用户兴趣建模。