推荐系统用户行为建模综述

导读

文章总结了用户行为建模（UBM）的四个方向，包括传统 UBM、长序列 UBM、多类型 UBM 以及带有辅助信息的 UBM，并比较不同方向的特点和指标，最后得到结论，长序列 UBM遥遥领先。

摘要

用户行为建模（UBM）在用户兴趣学习中扮演着关键角色，已被广泛应用于推荐系统中。利用用户与物品之间的关键互动模式，为许多推荐任务带来了引人注目的改进。在本文中，我们尝试对这一研究主题进行全面的综述。我们首先回顾了 UBM 的研究背景。然后，我们提供了现有 UBM 研究工作的系统分类，这些可以归类为四个不同的方向，包括传统 UBM、长序列 UBM、多类型 UBM 以及带有辅助信息的 UBM。在每个方向中，代表性模型及其优缺点都进行了全面讨论。此外，我们详细阐述了 UBM 方法的工业实践，希望能够为现有 UBM 解决方案的应用价值提供洞见。最后，我们总结了这项调查，并讨论了这个领域的未来前景。

1 背景

随着各种互联网应用的快速发展，推荐系统（RS）对于提供个性化服务和缓解信息过载问题变得越来越不可或缺[Zhang 等人，2021]。RS 研究的一个主要瓶颈是关于用户偏好的显式反馈的稀缺性[Hu 等人，2008]。相反，用户的偏好隐含地记录在粗糙且嘈杂的行为日志中。为了改善这一瓶颈，许多研究人员一直致力于用户行为建模（UBM）的研究，目的是从行为历史中探索和利用用户兴趣的表示[Zhang 等人，2021]。

尽管应用任务的形式不同（例如，排名或下一个项目的预测），推荐模型的共同学习目标是预测给定用户对特定项目的兴趣。具体来说，对于基于 UBM 的推荐模型 $F_{\Theta }^{UBM}(\cdot )$，由 $\Theta$ 参数化，预测给定用户 $u$ 对目标项目 $i$ 的兴趣 $P(u,i)$ 为：

$$P(u,i)=F_{\Theta }^{UBM}(u,i,H_u,f_u,f_i,f_c),\forall u\in U,i\in I$$

其中 $U$ 和 $I$ 分别是用户和项目的通用集合，$H_u$ 是用户行为历史。$f_u$、$f_i$ 和 $f_c$ 分别是非行为用户特征（例如年龄）、项目特征（例如价格）和上下文特征（例如，星期几）。

我们不讨论 $f_u$