基于用户多类型反馈行为序列的点击率预估模型

在推荐系统中,现有的点击率预估模型通常采用用户近期点击过的行为序列作为模型的输入,这将使模型难以得到全面的用户兴趣表示,导致模型无法获得最优的精度。为了解决这个问题,引入一个基于用户多类型反馈行为序列的点击率预估模型(UMFB)。该模型中多种类型的用户行为序列包括隐式反馈序列和显式反馈序列,并且能够对不同的用户兴趣偏好进行建模。鉴于隐式反馈序列中包含大量的噪声,结合基于傅里叶变换的兴趣去噪层来减轻干扰。此外,为了解决显式反馈序列数据的稀疏性问题,部署基于对比学习的兴趣增强层来提高建模效果。最后采用个性化兴趣融合层对用户的偏好进行建模。为了验证UMFB模型的有效性,在短视频推荐领域的KuaiRand-Pure和KuaiRand-1K数据集上进行了对比实验,结果表明,与DMT基线模型相比,UMFB模型的AUC分别提高了1.07和0.91个百分点。