论文:arxiv.org/abs/2404.09520
目前,许多平台为用户提供搜索和推荐服务来作为用户获取信息的重要工具。这一现象导致了用户搜索和推荐行为之间存在某种相关性,为以细粒度的方式建模用户兴趣提供了机会。现有方法要么将用户搜索和推荐行为分开建模,要么忽略了用户搜索和推荐行为之间的不同转换类型。如下图展示了搜索与推荐场景的四种转换行为,分别为箭头指向的s2s,s2r,r2s,r2r。
以KuaiSAR为例,本文分析了用户在搜索和推荐过程中信息需求是否发生了变化。例如,给定一组随机抽样的推荐和点击的物品(当前物品),本文计算前一点击的物品与前一场景(搜索或推荐)相关的百分比。从下图左两列的结果中,我们可以看到,如果用户前面的场景也是推荐场景(没有场景转换),相关百分比为7.99%。然而,如果用户之前的场景是搜索(从搜索到推荐),相关百分比下降到4.86%。类似地,给定搜索中的单击项,我们还计算了上述两个百分比,如下图的右两列所示。我们可以看到,如果用户前面的场景相同(即搜索),相关百分比为17.14%。如果前面的场景不同(即推荐),这个数字会下降到3.67%。分析表明,用户在搜索与推荐场景之间进行信息转换时,更有可能产生新的信息需求。这种现象促使了对用户迁移行为进行细粒度建模的必要性。
基于此,文中提出了一个UniSAR框架,有效地对不同类型的细粒度行为转换进行建模,为用户提供统一的搜索和推荐服务。下图展示了本文提出的模型的框架图。
UniSAR通过三个步骤对搜索和推荐之间的用户转移行为进行建模:提取、对齐和融合,分别由带有预定义掩码的transformer实现特征提取,对比学习对齐提取的细粒度用户转移,以及融合不同转移的交叉注意力。为了给用户提供统一的服务,本文将学习到的表示送入下游的搜索和推荐模型。在搜索数据和推荐数据上进行联合学习,充分利用已有知识实现知识的互补。
在两个公开数据集上的实验结果表明,UniSAR能够同时增强搜索和推荐功能。实验分析进一步验证了UniSAR成功地建模了用户在搜索和推荐之间的转换行为,提高了推荐结果。更多技术细节请阅读原始论文。
想和你一起学习进步!『NewBeeNLP』目前已经建立了多个不同方向交流群(机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等),名额有限,赶紧添加下方微信加入一起讨论交流吧!(注意一定o要备注信息才能通过)