本文提出了UniSAR框架,旨在有效地建模用户在搜索和推荐服务之间的不同类型的细粒度行为转换。UniSAR主要通过三个步骤来实现这一目标:
提取阶段:UniSAR使用配备预定义掩码的变压器分别提取了四种不同类型的用户行为转换,包括s2s、r2r、r2s和s2r。
对齐阶段:UniSAR采用对比学习的方法,将来自同一场景的转换与来自不同场景的转换进行对齐,使模型能够学习到它们之间的关系。
融合阶段:UniSAR使用交叉注意力机制将不同类型的转换进行融合,得到搜索和推荐的最终表示。
这些表示与候选项目和查询一起被用于预测用户偏好。UniSAR还采用联合训练的方式,使其能够应用于搜索和推荐两个场景,并有效利用每个场景的知识来增强另一个场景。
实验结果表明,UniSAR在两个公开数据集上都取得了最佳性能,不仅优于单个场景的传统模型,也超过了现有的联合搜索和推荐模型。
Іншою мовою
із вихідного контенту
arxiv.org
Ключові висновки, отримані з
by Teng Shi,Zih... о arxiv.org 04-16-2024
https://arxiv.org/pdf/2404.09520.pdfГлибші Запити