Scenario-Adaptive Fine-Grained Personalization Network: Tailoring User Behavior Representation to the Scenario Context

现有的方法通常只在聚合用户行为序列之后才自适应地调整表示。这种粗粒度的重新加权整个用户序列的方法会影响模型准确地建模用户在不同情境下的兴趣迁移能力。为了增强模型从历史行为序列中捕捉每个情境下用户兴趣的能力，我们开发了一种名为情境自适应细粒度个性化网络（SFPNet）的排名框架，它设计了一种多情境个性化推荐的细粒度方法。具体来说，SFPNet由一系列名为情境定制块的块依次堆叠而成。每个块最初部署一个参数个性化单元，通过重新定义基本特征，在粗粒度级别上集成情境信息。随后，我们将情境自适应调整的特征表示合并为上下文信息。通过使用残差连接，我们将这个上下文信息融入到每个历史行为的表示中，从而支持情境感知的细粒度定制行为表示，进而支持情境感知的用户兴趣建模。

论文旨在解决用户行为序列在不同场景下的个性化推荐问题，提出了一种场景自适应细粒度个性化推荐框架。

SFPNet框架由一系列场景定制块组成，每个块包括参数个性化单元和上下文信息融合单元，通过残差连接将上下文信息融合到历史行为表示中，实现场景感知的个性化推荐。

论文在多个数据集上进行了实验，证明了SFPNet框架的有效性和优越性。论文提出的场景自适应细粒度个性化推荐框架为解决用户行为序列个性化推荐问题提供了新思路。

近期相关研究包括《Multi-Interest Network with Dynamic Routing for Recommendation》、《Session-based Recommendation with Graph Neural Networks》等。