算法亮点

  • Deep Multifaceted Transformers。使用encoder和decoder抓取target item和历史行为item的相关性和序列信息。同时考虑了多种历史行为，多种历史行为的规律可能有冲突，需要使用MMOE才能有效融合。例如对复购期长、短的商品，点击和购买的关系是相反的，需要使用MMOE有效融合。
  • MMOE。能有效的调和多个目标、多种历史行为的有效信息，减少冲突的发生。
  • Bias Deep Neural Network。考虑pos bias和neighboring bias，后者的影响更大些。
  • 贡献大小，根据论文表格1的购买auc指标：
    • 如果baseline没用dense行为特征，DMT收益为0.0304，MMOE收益为0.0291，BDNN收益为0.0009。
    • 如果baseline使用dense行为特征，MMOE收益为0.0162，DMT收益为0.0031，BDNN收益为0.0009。

image.png

改进点

  • 仿照SIM，考虑长期历史行为。
  • 仿照CAN，使用历史行为的协同信息。
  • 对复购期长、短的商品的历史行为其它建模方法？用类别*行为交叉？直接N个行为拼接，用deepFM做交叉？
  • 如果bias影响很大，应该用类似快手ppnet的方法，用bias生成个性化偏置。还可以用阿里重排序模型PRM，优化item相互间的影响。

参考