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后自适应地调整表示。这种粗粒度的重新加权整个用户序列的方法阻碍了模型准确地对用户兴趣在不同情境下的迁移进行建模。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，我们开发了一个名为情境自适应细粒度个性化网络(SFPNet)的排名框架，它设计了一种细粒度的多情境个性化推荐方法。具体而言，SFPNet由一系列名为情境定制块的块组成，这些块按顺序堆叠。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，在粗粒度水平上集成情境信息。随后，我们巩固情境自适应调整的特征表示，作为上下文信息。通过使用残差连接，我们将这个上下文信息融入每个历史行为的表示中，允许在情境级别上进行上下文感知的细粒度自定义行为表示，从而支持情境感知的用户兴趣建模。

论文旨在解决多场景个性化推荐中，现有方法只能在聚合用户行为序列后自适应地调整表示的问题。作者提出了一种名为SFPNet的排名框架，旨在提高模型捕捉用户兴趣的能力，从而支持场景感知的个性化推荐。

SFPNet由一系列名为Scenario-Tailoring Block的块组成，每个块都使用参数个性化单元，将场景信息在粗粒度上集成到表示中，并通过残差连接在场景级别上对行为表示进行上下文感知的精细调整，从而支持场景感知的个性化推荐。

论文在三个真实数据集上评估了SFPNet的性能，实验结果表明，与现有的多场景个性化推荐方法相比，SFPNet在各个数据集上均取得了更好的性能。此外，作者还开源了SFPNet的代码，为研究者提供了一个参考实现。

在多场景个性化推荐领域，还有一些相关的研究，如《Multi-Scenario Personalized Recommendation with Hierarchical Reinforcement Learning》、《Multi-Scenario Personalized Recommendation via Attention-based Graph Convolutional Networks》等。