WWW'23基于行为路径匹配网络的CTR预估|A Deep Behavior Path Matching Network|美团

行为路径Path匹配Paper解读

标题：基于深度行为【路径匹配】网络的点击率预测

用户在APP上选择点击或不点击Target/Candidates前：① 存在一条已发生的行为行为路径Path_Tgt(近期的时序序列)；② Path_Tgt和Target存在非常显著的路径前后依赖关系，两者能够形成一条完整的行为路径Path。

【开创性】的提出了用户行为路径Path匹配范式：突破了传统的DIN/DIEN/SIM那种单一target匹配的局限性，具有划时代意义！

链接：arxiv.org/pdf/2302.0030   

应用：用户行为路径(用户序列建模) + CTR预估 （美团+中科院）

摘要：用户序列推荐在CTR领域往往是通过历史交互序列与候选匹配，为用户推荐相关物品。传统方法不足：通过Candidate-Wise单Item的匹配关系来刻画用户的复杂兴趣，该框架受限于单商家候选视野，忽略了多Item的竞争和促进关系。为了解决该问题，论文提出了一个用于行为路径匹配的深度神经网络模型（DBPMaN）: 构建行为路径（Behavior Path）决策匹配，将用户当前路径与其历史路径进行匹配，以此刻画用户「浏览-点击-浏览-浏览-点击-......」路径决策前后依赖关系，并把路径匹配结果传导给下一次点击进行决策，以此为用户推荐相关物品，同时解决了行为路径建模中的三个难点:稀疏性、噪声干扰和行为路径的精确匹配。在公开数据集和美团外卖数据集上都优于现有方法。该算法在论文接收前已应用上线，目前已经在外卖的列表广告场景进行了落地。

DBPMaN模型结构

本质探查：①构建行为路径(如下图)：用户时序行为序列-->通过点击行为切分多个路径Path，路径中每一个节点代表用户历史上的一个行为。② 路径匹配：当前路径和历史行为路径进行匹配，较传统的DIN/DIEN/DSIN的单Item匹配效果更优！

行为路径生成示例

行为路径Path历史意义

序列兴趣建模到决策建模的突破：

①【传统】的序列建模方案（以阿里DIN/DIEN/DSIN/甚至SIM/ETA为代表），仅仅考虑了单点匹配(Point-to-Point)，Item-Level层面(包含Item自身ID/属性ID等)的匹配，即用Target/候选Item(及其相关属性)与用户历史行为序列中的每一个Item进行点对点匹配。该方案受限于单商家候选视野，忽略了多Item的竞争和促进关系。同时，基于点击的单种行为队列忽略了不同类型行为之间依赖关系，使得用户行为被人为割裂，无法还原完整的决策过程，忽略了用户不同行为的重要程度及行为语义

②【路径】的序列建模方案，突破“单Item候选”视野限制，建模用户多种Path-Level(多个Items组成的时序行为序列)行为模式和多行为间模式Pattern转移，能够统筹利用多种行为（点击、加购、下单等）：通过还原更真实、更详细、更形象的用户的决策现场、决策路径，模拟用户真实决策的心理路程！它打破了历史行为进行无序提取用户兴趣方式所带来的信息损失，比如传统兴趣提取方式无法刻画用户看到了什么(可能是曝光xx，也能是自身的UI等信息)、前面已发生的行为路径、上下文的路径依赖关系。

③ 决策建模 VS 兴趣建模：用户兴趣相对来说是相对是“静态”不变的，比如用是军事迷/财经爱好者；而用户决策模式往往是多变的，用户的决策会收到时空场景的影响：1)上下文看到了什么，UI突出(头图有吸引力)；2) 前置路径行为，前面的行为路径，往往代表着用户的决策链路；3）上线文前后的路径依赖关系等等更加丰富多变的信息。

综上，简单来讲，孤零零的单点匹配，没有显式的充分考虑用户当下已经发生的行为依赖（即刚刚看到xx，点击xx）。从可观的真实世界来看，用户产生的行为，也不是孤立的，往往存在前后时间上的依赖，而路径依赖就是其中一种。

更多www'23预估方向汇总分享 或者知乎搜索 https://zhuanlan.zhihu.com/p/604619622