推荐系统中的常用算法——序列深度匹配SDM

felixzhao

发布于 2022-03-04 18:09:06

1.6K0

发布于 2022-03-04 18:09:06

1. 概述

推荐系统中的算法通过用户的历史行为数据挖掘用户的偏好，实现对用户偏好的建模，从而达到为用户推荐用户感兴趣的item。用户的兴趣偏好通常是多变的，而且是多样的。然而传统的基于item的协同过滤模型只能考虑用户的静态兴趣，而不能捕获用户的兴趣偏好的动态变化。

序列深度匹配（Sequential Deep Match，SDM）模型是在特定场景下提出的用于对用户动态兴趣偏好建模的算法。SDM模型应用于淘宝的场景中，在淘宝的场景中，用户的行为主要分为两种，第一个是当前的浏览Session，用户在一个Session中，需求往往是十分明确的。另一个是之前的历史行为，一个用户虽然可能不是每次都来买球鞋，但是也可能提供一定的有用信息。因此需要分别对这两种行为序列建模，从而刻画用户的兴趣。

综上，序列深度匹配SDM通过组合用户短期Session和长期行为捕获用户的动态兴趣偏好，实现对用户兴趣的建模。

2. 算法原理

序列深度匹配SDM的模型结构如下图所示：

其中，对于用户u ，通过对长期行为L^u ，得到向量\boldsymbol{p^u} ，对短期行为S^u 建模得到向量\boldsymbol{s_t^u} ，并通过fusion gate策略将两部分组合在一起，从而得到向量\boldsymbol{o_t^u}\in \mathbb{R}^{d\times 1} ，该向量便是用户的兴趣向量。

假设\boldsymbol{V}\in \mathbb{R}^{d\times \left | I \right |} 为item的embedding向量，其中\left | I \right | 为item的总数，d 为embedding的维数。目标是在t+1 时刻预测top N的候选集，候选集是基于\boldsymbol{o_t^u} 和每个物品对应的向量\boldsymbol{v}_i 计算匹配分数，并根据分数高低进行召回，分数的计算方法为：

z_i=score\left ( \boldsymbol{o_t^u},\boldsymbol{v}_i\right )={\boldsymbol{o}_t^u}^T\boldsymbol{v}_i

2.1. 长短期Session的划分

对于用户行为序列的划分，文章中给出了按照session的划分规则：

具有同样的Session ID的记录为同一个Session；
Session ID不同，但是相邻的行为间隔小于10min，算同一个Session；
Session的最大长度为50，超过50的划分到新的Session。

基于上述的Session划分规则，用户u 最近一个Session的行为被认为是短期行为，表示为：

S^u=\left [ i_1^u,\cdots ,i_t^u,\cdots ,i_m^u \right ]

其中，m 为序列的长度，而用户的长期行为序列为S^u 之前的7天的行为，记为L^u 。

2.2. item和user的Embedding表示

在构建item的embedding时，不仅考虑到ID特征，同时还包括了leaf category，first level category，brand和shop等side information，最终item的向量表示为

\boldsymbol{e}_{i_t^u}=concat\left ( \left \{ \boldsymbol{e}_i^f\mid f\in \mathcal{F} \right \} \right )

同样的，用户也有对应的属性，如age，gender，life stage。最终user的向量表示为

\boldsymbol{e}_u=concat\left ( \left \{ \boldsymbol{e}_u^p\mid p\in \mathcal{P} \right \} \right )

2.3. 短期行为建模

短期行为建模的整体过程如下图所示：

短期行为是用户在最近的一个Session里的行为。短期行为建模分为三个部分，分别为LSTM建模，Multi-head Self-Attention建模和User Attention。

2.3.1. LSTM

在将物品转换为Embedding向量后，首先通过LSTM来进行建模，LSTM的建模过程如下图所示：

对于给定的的用户短期行为序列\left [ \boldsymbol{e}_{i_1^u},\cdots , \boldsymbol{e}_{i_t^u} \right ] ，通过LSTM建模的结果为：

其中，\boldsymbol{in}_t^u ，\boldsymbol{f}_t^u ，\boldsymbol{o}_t^u 分别表示输入门，遗忘门和输出门。\boldsymbol{h}_t^u\in \mathbb{R}^{d\times 1} 表示的是LSTM在t 时刻隐藏层的输出。

2.3.2. Multi-head Self-Attention

在经过LSTM对短期行为序列建模后，得到所有隐含层的输出

\boldsymbol{X}^u=\left [ \boldsymbol{h}_1^u,\cdots ,\boldsymbol{h}_t^u \right ]

。接下来，使用Multi-head Self-Attention对此行为序列建模，目的是能够捕获到用户多种类型的兴趣。Multi-head Self-Attention的建模过程如下所示：

假设Multi-head Self-Attention建模后的结果为\boldsymbol{\hat{X}}^u=\left [ \boldsymbol{\hat{h}}_1^u,\cdots ,\boldsymbol{\hat{h}}_t^u \right ] ，则\boldsymbol{\hat{X}}^u 可以表示为：\boldsymbol{\hat{X}}^u=MultiHead(\boldsymbol{X}^u)=\boldsymbol{W}^Oconcat\left ( \boldsymbol{head}_1^u,\cdots ,\boldsymbol{head}_h^u \right ) 其中，\boldsymbol{W}^O\in \mathbb{R}^{d\times hd_k} ，h 表示head的个数，d_k=\frac{1}{h}d 。对于每一个\boldsymbol{head_i^u}\in \mathbb{R}^{d_k\times t} 表示每一个兴趣，其计算方法为：\boldsymbol{head_i^u}=Attention\left ( \boldsymbol{W}_i^Q\boldsymbol{X}^u,\boldsymbol{W}_i^K\boldsymbol{X}^u,\boldsymbol{W}_i^V\boldsymbol{X}^u \right ) 其中，\boldsymbol{W}_i^Q\boldsymbol{X}^u ，\boldsymbol{W}_i^K\boldsymbol{X}^u 和\boldsymbol{W}_i^V\boldsymbol{X}^u 分别表示上图中的Q，K，V。令\boldsymbol{Q}_i^u=\boldsymbol{W}_i^Q\boldsymbol{X}^u ，\boldsymbol{K}_i^u=\boldsymbol{W}_i^K\boldsymbol{X}^u ，\boldsymbol{V}_i^u=\boldsymbol{W}_i^V\boldsymbol{X}^u ，则\boldsymbol{head_i^u} 为：\boldsymbol{head_i^u}=\boldsymbol{V_i^u}{\boldsymbol{A}_i^u}^T 其中，\boldsymbol{A_i^u}=softmax\left ( {\boldsymbol{Q}_i^u}^T\boldsymbol{K}_i^u \right ) 。

2.3.3. User Attention

对于不同的用户，即使短期的行为序列是一样的，也可能会存在不同的兴趣偏好，为了能够更精准的挖掘用户偏好，使用Attention机制计算不同用户兴趣的偏好，Attention机制如下图所示：

对于用户的多种兴趣\boldsymbol{\hat{X}}^u=\left [ \boldsymbol{\hat{h}}_1^u,\cdots ,\boldsymbol{\hat{h}}_t^u \right ] ，通过与用户向量\boldsymbol{e}_u 计算t 时刻的兴趣偏好向量

\boldsymbol{s_t^u}

\boldsymbol{s_t^u}=\sum_{k=1}^{t}\alpha _k\boldsymbol{\hat{h}}_k^u

其中

\alpha _k=\frac{exp\left ( {\boldsymbol{\hat{h}}_k^u}^T\boldsymbol{e}_u \right )}{\sum_{k=1}^{t}exp\left ( {\boldsymbol{\hat{h}}_k^u}^T\boldsymbol{e}_u \right )}

。

2.4. 长期行为建模

对于长期行为序列，文章中提出从不同角度来刻画用户的兴趣，比如品牌，类别等。因此把长期行为中的所有物品对应的属性集合\mathcal{L}^u=\left \{ \mathcal{L}^u_f\mid f\in \mathcal{F} \right \} 划分为不同的子集合，如ID子集合\mathcal{L}^u_{id} 、leaf category子集合\mathcal{L}^u_{leaf}

，first level category子集合\mathcal{L}^u_{cate} ，shop子集合\mathcal{L}^u_{shop} 、brand子集合\mathcal{L}^u_{brand} 。下图展示了长期行为的建模过程：

通过AttnNet计算在每个子集合上的向量

z_f^u

z_f^u=\sum^{\left | \mathcal{L}^u_f \right |}_{k=1}\alpha _k\boldsymbol{g_k^u}

其中，\boldsymbol{g_k^u}=W^ff_k^u\in \mathbb{R}^{d\times 1} ，

\alpha _k=\frac{exp\left ( {\boldsymbol{g_k^u}}^T\boldsymbol{e}_u \right )}{\sum_{k=1}^{\left | \mathcal{L}^u_f \right |}exp\left ( {\boldsymbol{g_k^u}}^T\boldsymbol{e}_u \right )}

。

最终，将z_f^u concat在一起输入到全连接网络中，得到长期兴趣\boldsymbol{p^u}=tanh\left ( \boldsymbol{W}^pz^u+b \right ) ，其中z^u=concat\left ( \left \{ z_f^u\mid f\in \mathcal{F} \right \} \right ) 。

2.5. 兴趣融合

为了将长短期兴趣向量组合在一起，文中借鉴了LSTM中的门的概念，对短期兴趣向量和长期兴趣向量进行一个加权，过程如下：

\boldsymbol{G}_t^u=sigmoid\left ( \boldsymbol{W}^1\boldsymbol{e}_u+\boldsymbol{W}^2\boldsymbol{s}_t^u+\boldsymbol{W}^3\boldsymbol{p}^u+b \right )

\boldsymbol{o}_t^u=\left ( 1-\boldsymbol{G}_t^u \right )\odot \boldsymbol{p}^u + \boldsymbol{G}_t^u\odot \boldsymbol{s}_t^u

2.6. 总结

序列深度匹配SDM通过组合用户短期Session和长期行为捕获用户的动态兴趣偏好，实现对用户兴趣的建模，完整的模型结构如下图所示：

在短期兴趣建模过程中，使用LSTM，Multi-head Self-attention和User Attention建模，在长期兴趣建模过程中，使用User Attention对子集合建模，最终通过gate函数融合长短期兴趣。

3. 疑问

在本文中短期兴趣建模的过程中，作者先用LSTM建模，作者给出的理由是在之前的基于Session的推荐中，效果较好；后面使用Multi-head Self-attention建模，是为了构建用户的多个兴趣维度。这里Multi-head Self-attention也可以直接对序列建模，不知道为什么需要在这里同时使用LSTM+Multi-head Self-attention。这一点在文中并没有给出具体解释。