推荐系统论文DSIN：Deep Session Interest Network

一、背景

前几天写了一篇阿里的论文BST，最后应用在我们自己的新闻推荐场景，离线AUC没有什么提升，今天分享一篇有收益的文章，同样出自阿里。

绝密伏击：推荐系统论文：Behavior Sequence Transformer(https://zhuanlan.zhihu.com/p/96338316)

文章DSIN(Deep Session Interest Network for Click-Through Rate Prediction)发表在IJCAI-2019，主要贡献在于对用户的历史点击行为划分为不同session，对每个session使用Transformer学习session embedding，最后使用BiLSTM对session序列建模。这篇文章和阿里的另一篇DIEN( Deep Interest Evolution Network )很像，「主要区别在于用户历史行为序列的刻画，引入了session，并用transformer学习session表征」 。

二、模型结构

图1：DSIN模型结果

模型主要由四个部分组成， 「Session Division Layer」 是对用户的历史行为划分到不同session， 「Session Interest Extractor Layer」 是学习session的表征， 「Session Interest Interacting Layer」 是学习session之间的演变， 「Session Interest Activating Layer」是学习当前item和历史点击session的相关性。后面会讲一下这四个部分的具体实现。

2.1 Session Division Layer

主要是将用户的历史点击行为序列划分为多个sessions。「这里有一个假设是相同session用户的行为是接近的，比如都是在点一些和裤子相关的商品，而不同session间的用户行为是有差异的，比如后面可能是点一些和洗发水相关的商品」。文章将间隔超过30分钟作为session的划分，比如将历史点击序列转换为session ，第个session表示为：

其中是第个session的长度，

是输入item的embedding大小

2.2 Session Interest Extractor Layer

这部分主要是获取session表征。用户在相同session内的行为是高度相关的，此外用户在session内的一些随意行为会偏离整个session表达。为了刻画相同session内行为间的相关性，同时减小不相关行为的影响，DSIN使用「multi-head self-attention」 对每个session建模。为了刻画不同session间的顺序，DSIN使用了 「Bias Encoding」 。

「2.2.1 Bias Encoding」

为了刻画不同session的顺序关系，使用bias encoding，定义如下：

其中表示第个session中，第个物品的embedding向量的第个位置的偏置项。也就是说，对每个session中的每个物品对应的embedding的每个位置，都加入了偏置项。加入bias encoding后，用户的session表示为:

「2.2.2 Multi-head Self-attention」

在推荐系统中，用户的点击行为会受各种因素影响，比如颜色、款式和价格。「Multi-head self attention」可以在不同的子空间上建模这种关系。这里将第个session划分为个，使用

表示，其中。可以表示为：

其中是线性矩阵。

然后将的输出concat到一起，再接入一个FFN网络：

其中表示前向神经网络，表示线性矩阵。

经过 「Multi-head self attention」 处理之后，每个session得到的结果仍然是

大小，随后，经过一个 「avg pooling」 操作，将每个session兴趣转换成一个维向量：

2.3 Session Interest Interacting Layer

使用双向LSTM建模session之间的演变。

上式中的两项分别表示前向的隐藏层状态和反向的隐藏层状态。

2.4 Session Interest Activating Layer

这部分主要是通过Attention机制刻画Item和session之间的相关性。用户的session与目标物品越相近，越应该赋予更大的权重。使用注意力机制来刻画这种相关性：

其中是目标item的embedding

三、实验结果

使用了两个数据集进行了实验，分别是阿里妈妈的广告数据集(Advertising)和阿里巴巴的电商推荐数据集(Recommender)。对比结果如下：

图2：DSIN模型结果对比

从实验结果来看，AUC相比DIEN都有 「0.5%」 以上的提升。

四、写在最后

这篇文章在我们自己的业务场景(新闻推荐场景)上也实验了，选取了用户最近的10次点击session，session长度最大取20，使用7天训练，1天测试，最后离线AUC相比DIEN大概有「0.46%」的提升，和文章的结果基本吻合。个人感觉这篇文章的设计还是比较巧妙，充分利用了用户行为的内在结构，使用session划分用户的点击序列，使得在使用LSTM等序列模型对历史点击建模的时候，长度大大缩小，而且效果还有所提升。

五、「Reference」

Alex-zhai：阿里Deep Session Interest Network解读

2. Deep Session Interest Network for Click-Through Rate Prediction

3. Ethan Wong：DSIN（Deep Session Interest Network ）分享