Aug, 2022

基于稀疏注意力记忆网络的长序列点击率预测

PDF
TL;DR本文针对在采用更长序列的情况下推荐精度和个性化程度的提高未得到很好处理的情况，提出了一种新的稀疏注意存储模型（SAM）以模拟用户行为序列，实现了高效的训练和实时推荐，并在大型电子商务平台上部署进行了 A/B 测试，结果表明，相对于传统模型，该模型能够显著提高用户点击率达到 7.30％的改善。
sequential recommendationlong sequencesuser behavior modelingsparse attentive memoryefficiency
发现论文，激发创造
  • 基于搜索的生命周期顺序行为数据进行用户兴趣建模与点击率预测

    本文提出了一种名为 “基于搜索的兴趣模型” 的新的建模范式，利用两个级联搜索单元在可扩展性和准确性方面，更好地对终生序列行为数据进行建模，并通过在大规模工业系统中的实现取得了良好的效果。

    Jun, 2020

  • 序列推荐的记忆增强图神经网络

    提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

    Dec, 2019

  • 个性化记忆的生命周期序列建模用于用户响应预测

    该研究使用分层周期性记忆网络实现在线服务中用户响应预测的持续顺序建模，实现个性化内存化的顺序模式，并在三个大规模真实世界数据集上展示了显著的用户响应预测表现优势。

    May, 2019

  • SDM: 在线大规模推荐系统的序列深度匹配模型

    本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。

    Sep, 2019

  • 自注意力序列推荐

    本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

    Aug, 2018

  • 面向长时间依赖用户序列的神经混合推荐器

    本文研究了如何建立一个模型，利用不同的时间范围和动态来适应不同的请求上下文，并提出了一种神经多时间范围混合模型 (M3)，以处理用户行为短期和长期依赖问题。该方法通过使用不同时间范围的模型组合，并针对不同的上下文信息学习门控机制来增强效果。该方法在公共数据集和 YouTube 数据集上的实证评估中要优于现有的顺序推荐方法。

    Feb, 2019

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 轻量级自注意力序列推荐

    该论文介绍了一种新型轻量级自注意网络 LSAN，通过组成嵌入将原始嵌入矩阵进行压缩并提出了时态上下文感知的嵌入组合方案以解决目前序列推荐中所存在的大量参数嵌入矩阵对资源受限环境的开销过大的问题，并拥有更强的性能表现。

    Aug, 2021

  • 长序列用户行为对于点击率预测的建模实践

    本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。

    May, 2019

  • 利用时间衰减选择的顺序推荐的高效有效训练

    本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。

    Jul, 2022