【序列推荐、长短期兴趣】SDM: Sequential Deep Matching Model for Online Large-scale Recommender System

#论文题目：【长序列推荐】SDM: Sequential Deep Matching Model for Online Large-scale Recommender System（SDM:在线大规模推荐系统的顺序深度匹配模型）
#论文地址：https://arxiv.org/abs/1909.00385v1
#论文源码开源地址： https://github.com/alicogintel/SDM
#论文所属会议：CIKM 2019
#论文所属单位：阿里

导读

本文提出了一种新型的序列推荐模型SDM，该模型基于自注意力机制，融合长期兴趣和短期兴趣来捕捉用户动态偏好。

二、模型结构

2.1 问题定义

设$U$表示用户集合，$I$表示物品集合。对于一个用户$u$，我们对用户物品交互时间升序排序来得到最新的会话（session），同时我们也定义了如下几个规则来确定会话：

• 在后端系统中同一个session ID的交互归于一个会话中
• 时间差不长于10分钟（根据场景而定）的交互归于一个会话中
• 一个会话的最大长度是50分钟，长于50分钟就开启一个新的会话

每个用户$u$的最新会话被认为是短期行为，用$S$^u =[$i$₁^u, $i$₂^u, …, $i$_m^u,]表示，其中$m$是序列长度。用户$u$的长期行为是发生在$S$^u之前的七天内的行为，用$L$^u表示。基于上述前提，我们将推荐任定义为，给定用户$u$的短期行为$S$^u和长期行为$L$^u，然后我们为用户推荐物品。

总体网络结构体如下图所示，我们的模型使用$S$^u和$L$^u作为输入，$S$^u和$L$^u分别被编码成在时间$t$</