UniSAR：建模搜索与推荐之间的用户转移行为

如今，许多平台同时为用户提供搜索和推荐服务，将其作为获取信息的重要工具。这一现象导致了用户搜索与推荐行为之间的相关性，为细粒度地建模用户兴趣提供了机会。现有方法要么分别对用户搜索和推荐行为进行建模，要么忽略了用户搜索与推荐行为之间的不同转移。在本文中，我们提出了一个名为UniSAR的框架，该框架有效地建模不同类型的细粒度行为转移，以为用户提供统一的搜索与推荐服务。具体而言，UniSAR通过三个步骤对搜索与推荐之间的用户转移行为进行建模：提取、对齐和融合，分别由配备预定义掩码的transformer、对齐所提取的细粒度用户转移的对比学习，以及融合不同转移的交叉注意力来实现。为了向用户提供统一服务，学习到的表示被输入到下游的搜索和推荐模型中。在搜索和推荐数据上采用联合学习，以利用知识并相互增强。在两个公开数据集上的实验结果证明了UniSAR在同时增强搜索和推荐方面的有效性。实验分析进一步验证了UniSAR通过成功建模搜索与推荐之间的用户转移行为来提升结果。