CIKM 2020：Deep Time _预测模型

0. 摘要
为了提高用户满意度和业务效率，点击率预测是电子商务中最重要的任务之一。通常情况下，用户的兴趣可能不同于他们过去的习惯或者印象，如促销项目，可能在很短的时间内爆发。本质上，这种变化与项目进化问题有关，这是以前的研究没有研究过的。顺序推荐中最先进的方法使用简单的用户行为，不能充分模拟这些变化。这是因为，在用户行为中，过时的兴趣可能存在，并且一个项目随着时间的推移的流行程度没有得到很好的表示。为了解决这些限制，我们引入了时间感知的项目行为来处理新兴偏好的推荐。项目的时间感知项目行为是一组用时间戳与该项目交互的用户。用户对某个项目的丰富交互信息可能有助于对其演化进行建模。在这项工作中，我们提出了一个基于时间感知项目行为的点击率预测模型TIEN 。在TIEN中，通过利用交互时间间隔，相似用户在短时间间隔内的信息有助于识别目标用户的新兴用户兴趣。通过使用连续的时间间隔，可以在进化项目动力学中捕捉项目随时间的流行度。偶然与物品互动的嘈杂用户被进一步消除，从而学习到健壮的个性化物品动力学。据我们所知，这是第一次研究电子商务点击率预测的项目演化问题。我们在五个真实的CTR预测数据集上进行了广泛的实验。结果表明，TIEN模型持续地实现了对最先进方法的显著改进。
1. 动机为了提高用户满意度和业务效率，点击率预测一直是电子商务中最重要的任务之一。随着深度神经模型的快速发展，大多数高级CTR预测模型仅利用用户行为获得了巨大的成功。对于给定的用户，用户行为由用户与之交互的项目组成。用户的偏好可能会迅速改变或出现，比如在购物节期间，比如亚马逊的黑色星期五，淘宝的双11，可能会出现不同于日常的用户偏好，促销中的物品可以在很短的时间内流行起来。在这种情况下，使用典型的用户行为通常无法预测用户的新兴兴趣。其原因不仅在于用户行为中可能存在过时的兴趣，而且用户新兴偏好的预测在很大程度上依赖于项目的演化。先前的工作要么通过简单的聚合来整合项目行为，要么将项目行为作为一个行为序列来捕捉时间演化中的项目动态。但是，这些方法要么平等地对待项目行为中的用户，要么只保留项目行为序列中用户的顺序，而忽略两种可能的时间敏感特性。首先，项目行为中的互动时间对于预测项目的潜在受众至关重要。用户可能已经与一个远离当前的项目进行了交互，现在他们可能已经改变了他们的兴趣；其次，项目行为中的互动时间对于反映项目对用户的吸引力随时间变化至关重要。即使拥有相同物品行为的物品也可以有不同的流行趋势和生命周期。比如A项和B项的交互用户相同，但是交互时间分别是一天前和一年前。这意味着此时A项比B项更受欢迎。将项目行为建模为序列只是忽略了交互时间戳，这导致两个项目具有相同的时间动态。2. 贡献
在本文中，我们提出了时间感知的项目行为来解决这一局限性。与传统的项目行为不同，项目的时间感知项目行为是一组用时间戳与该项目交互的用户。时间感知项目行为有助于推荐新出现的偏好，因为它们可能暗示项目的潜在偏好随时间的演变和影响。
我们提出了深度时间感知项目演化网络来解决项目演化问题。
首先，我们提出了一个时间间隔注意力层，根据历史交互和推荐时间的间隔来计算每个用户在项目行为中的重要性权重。这允许模型在项目行为中关注有价值的用户（动机4的第一个时间特性）；
此外，提出了一个鲁棒的个性化关注层，以消除项目行为中的噪声用户，从而实现鲁棒的个性化项目动态；