XDM：利用未点击用户行为改进序列深度匹配以提升推荐系统效果

基于深度学习的序列推荐系统近来受到学术界和工业界越来越多的关注。大多数工业级基于嵌入的检索（EBR）推荐系统与序列推荐器思路相似。其中，如何全面捕捉用户序列兴趣是一个基础性问题。然而，现有多数序列推荐模型以用户-物品交互中的点击或购买行为序列作为输入。这导致用户表征不全面、模型性能次优，因为它们忽略了完整的用户行为曝光数据，即用户曝光但未点击的物品。本文尝试采用一种新的学习方法将那些未点击物品序列纳入建模，以探索更好的序列推荐技术。我们提出一种高效的三元组度量学习算法来恰当地学习未点击物品的表征。我们的方法可通过置信度融合网络简单地与现有序列推荐模型集成，并进一步获得更好的用户表征。基于真实电商数据的离线实验结果证明了该方法的有效性，并验证了未点击物品在序列推荐中的重要性。此外，我们将新模型（命名为 XDM）部署到淘宝推荐系统的 EBR 中，优于已部署的上一代 SDM。