论文标题：

Multi-Scale User Behavior Network for Entire Space Multi-Task Learning

论文链接：

https://arxiv.org/pdf/2208.01889.pdf

本文主要是针对用户的行为序列进行建模，并且现有方法通常是通过双塔架构的多任务学习优化多个排名目标（点击，转化），对“观察→点击”和“点击→幻化”行为路径之间的依赖关系进行编码。然而，他们忽略了用户行为的两个关键特征的影响：对于每个商品列表，

  • （i）上下文依赖，用户对任何商品的行为不仅由商品本身决定，而且还受到用户在同一序列中对其他之前的商品的行为（例如，点击、购买）的影响。；

  • （ii）多时间尺度，用户可能会频繁点击但会定期购买。

本文设计了一个新的多尺度用户行为网络，称为整个空间的分层循环排名（HEROES），它结合上下文信息以多尺度方式估计用户的多种行为。该框架中引入了一个分层框架，其中下层对用户的参与行为进行建模，而上层对用户的满意度行为进行估计。所提出的架构可以自动为每一层学习合适的时间尺度，以捕捉动态的行为模式。除了架构之外，还引入了霍克斯过程来形成一个新的循环单元，它不仅可以在上下文中编码商品的特征，还可以制定用户先前行为的兴奋或沮丧。进一步表明 HEROES 可以通过与生存分析技术相结合来扩展以建立无偏见的排名系统。

内容中包含的图片若涉及版权问题，请及时与我们联系删除