面向用户响应预测的时序兴趣网络
信息检索
2024-07-08 v4 机器学习
摘要
用户响应预测在工业推荐系统中至关重要，例如在线展示广告。在推荐模型的所有特征中，用户行为是最关键的之一。许多工作已揭示，由于行为与候选物品之间的语义或时间相关性，用户的行为反映了其对候选物品的兴趣。尽管已有文献分别考察了这些相关性，但研究者尚未将它们结合起来分析，即语义-时间相关性。我们通过实证测量了这种相关性，并观察到了直观但稳健的模式。接着我们考察了几种流行的用户兴趣模型，惊讶地发现它们都没有很好地学习到这种相关性。为填补这一空白，我们提出了时序兴趣网络（Temporal Interest Network, TIN），以同时捕捉行为与目标之间的语义-时间相关性。为此，除了语义编码外，我们引入了目标感知的时间编码来表示行为和目标。此外，我们通过部署目标感知注意力和目标感知表征来进行显式的四路交互，以捕捉语义和时间相关性。我们在两个流行的公开数据集上进行了全面评估，所提出的 TIN 在 GAUC 上分别比最佳基线高出 0.43% 和 0.29%。在腾讯广告平台的在线 A/B 测试中，TIN 相比基础模型实现了 1.65% 的成本提升和 1.93% 的 GMV 提升。自 2023 年 10 月起，它已成功部署于生产环境，服务于微信朋友圈流量。我们的代码已发布于 https://github.com/zhouxy1003/TIN。
引用
@article{arxiv.2308.08487,
title = {Temporal Interest Network for User Response Prediction},
author = {Haolin Zhou and Junwei Pan and Xinyi Zhou and Xihua Chen and Jie Jiang and Xiaofeng Gao and Guihai Chen},
journal= {arXiv preprint arXiv:2308.08487},
year = {2024}
}