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。

基于多模态相似度增强的点击率预估模型

点击率预估是推荐系统中一个至关重要的任务,直接决定了推荐系统的性能。在点击率预估模型中加入用户的行为序列可以极大地提高点击率预估模型的精度。然而,现有的点击率预估模型通常未考虑用户在文本和视觉方面的信息偏好,这将导致模型难以获得全面的用户兴趣表示,进而使得模型无法获得最优的精度。文章提出了一个统一的多模态用户行为序列建模模型(MSIB:Multi-model similarity improving behavior modeling),使用统一的跨模态预训练框架进行特征抽取,并采用一个多模态相似度增强的注意力机制刻画用户的多模态兴趣偏好。本文方法的有效性通过在真实场景中的大规模数据集下的实验得到了验证。