User Persona Identification and New Service Adaptation Recommendation

我们探索了一种自动化方法来识别用户人设，利用用户在网页上的高维轨迹信息，为信息密集型网页提供个性化用户体验，帮助用户更快地达成目标。虽然神经协同过滤（NCF）方法很少关注令牌语义，但我们的方法引入了SessionBERT，这是一个基于Transformer的语言模型，从头开始训练，针对用户轨迹（页面、元数据、会话中的计费）的掩码语言建模（mlm）目标进行训练，旨在捕捉其中的语义。我们的结果表明，通过SessionBERT学习的表示能够始终优于BERT-base模型，为预测页面链接和下一个服务提供了3%和1%的相对改进的F1分数。我们利用SessionBERT并将其扩展以提供推荐（前5个）用户可能会使用的最相关服务。我们的推荐模型从HIT@5中实现了58%的命中率。

论文旨在通过利用用户在网页上的高维轨迹信息，自动识别用户画像，从而提供个性化的用户体验。这是一个新问题。

论文提出了SessionBERT，一种基于Transformer的语言模型，通过掩码语言建模（mlm）目标对用户轨迹（页面、元数据、会话中的计费）进行训练，旨在捕捉其中的语义信息。通过SessionBERT学习到的表示能够在预测页面链接和下一个服务方面提供比BERT-base模型更好的结果。

论文设计了实验来评估SessionBERT的效果，并使用扩展的SessionBERT提供了下一个最相关服务的推荐。实验结果表明，SessionBERT在预测页面链接和下一个服务方面都能提供比BERT-base模型更好的结果，推荐模型的HIT@5为58%。论文提供了开源代码。

最近在这个领域中，也有一些相关的研究。例如，一篇名为“Personalizing Web Search Results Using Clickthrough History”的论文探索了如何使用用户的点击历史来个性化搜索结果。另一篇名为“User Modeling on Twitter with Self-Exciting Point Process Models”的论文则使用自激励点过程模型来建模用户在Twitter上的行为。