论文标题：

Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation

论文链接：

https://arxiv.org/pdf/2202.08959.pdf

代码：

https://github.com/EzailShen/WWW-22-DIHN

在本文中，提出了一个新的推荐问题，触发诱导推荐TIR，其中用户的即时兴趣可以通过触发商品显式诱导，并相应地推荐后续相关的目标商品。虽然现有的推荐模型在传统推荐场景中通过基于用户大量历史行为挖掘用户兴趣是有效的，但由于这些场景之间的差异，它们在发现用户在 TIR 场景中的即时兴趣方面存在困难 ，导致性能下降。为了解决这个问题，本文提出了DIHN，用于 TIR 场景中的点击率 (CTR) 预测。包括三部分，

  • 1）用户意图网络 (UIN)，用于预测用户对触发商品的兴趣；
  • 2）融合嵌入模块（FEM），它基于来自UIN的预测自适应地融合触发项和目标商品的embedding；
  • 3）混合兴趣提取模块（HIEM），基于FEM的结果，利用注意力机制结合触发商品和目标商品发掘用户兴趣。

TIR场景简单介绍：例如在双11的时候，会有榜单或者不同的会场，里面会展示一些商品，点击该商品后会跳转到一个页面，上面展示的是同类或者相关的商品。我们点击的商品就是触发商品，触发后跳转。

如图所示为整体框架图，包括特征表征，UIN，FEM，HIEM以及最后通过MLP进行预测。