关于

• 参考https://mp.weixin.qq.com/s/oY9BBjAHUKZr6dVdnNtcbg
• 论文：
  • Query-based Interactive Recommendation by Meta-Path and Adapted Attention-GRU https://arxiv.org/pdf/1907.01639.pdf
  • A Two-Stage Approach toward InteractiveRecommendation

FAQ

交互式推荐跟普通的推荐根本区别是什么

• 普通的推荐用户交互成本低但意图较弱，搜索意图强但是用户交互成本高
• 交互是推荐将搜索和推荐的两个优势结合了起来
  • 先推荐一些关键词，用低交互成本将用户意图明确
  • 然后变成关键词搜索问题，用明确意图来提高后续转化

交互式推荐的本质是什么

• 通过跟用户交互，用低成本的方式将用户的意图明确出来，然后进行推荐

什么时候出这个关键词

猜你喜欢页面点击一个商品 -> 详情页动作 -> 返回猜你喜欢 -> 出关键词（算法控制出不出）

为什么要在这个时刻出？其他时刻可不可以？

• 因为用户跟一个商品交互后，相当于给系统注入了新的重要信息。这个信息才是整个系统提升的根本来源。传统的推荐系统在下一频才能利用到这个信息，而交互式推荐可以立马使用上这个信息。
• 其他时刻可能可以，也需要用户有一个明确的动作告诉系统，他当时的意图。从目前产品研究来看，几乎所有的APP都是这样，视频feed则是通过播放动作来触发。

关键词是如何召回

• 根据用户刚点击过的item作为触发源
• i2q，从大搜的日志中，提取query跟点击过的item的共现关系，构造i2q的映射
  $$
  P(q|i) = \frac{Count(q, i)}{Count(i)}
  $$
• i2scene2q，先将item映射到场景，然后通过场景映射到query
• i2c2q，将item映射到类目，然后映射到query

场景有哪些？如何跟item和query关联的？

不同路径召回的得分是如何融合的

• 对每个q，计算所有召回路径的概率之和。路径概率利用马尔科夫性假设

关键词如何排序

• 以点击做监督信号
• 线性模型 FTRL 和 DNN（用Attention_GRU建模用户长期兴趣）

为什么模型对用户长期行为建模时不是用ID序列，而是用item的特征

• 目测是因为数据偏少，所以直接学embedding向量太难了。所以使用了item的特征

模型用到的特征有哪些

• item的特征有：
  • 文本特征：标题分词后词向量均值，i2q的query词向量均值
  • 统计特征
  • 一级品类embedding
  • 品牌embedding
  • 行为类型embedding，在用户表达中有，行为类型就是指用户是买过、点过还是收藏etc
• 用户侧特征
  • 非实时特征
    • id embedding
    • Attention_GRU对行为序列Encode
  • 实时特征
    • 详情页的行为特征
• query测特征
  • 文本特征：分词后词向量均值
  • 统计特征
  • 3个类目的embedding均值
• 其他特征
  • metapath类型和得分

文中所的对AttentionGRU做干预是如何做的

• 正常的方式是将每个item的隐向量直接跟query向量计算权重，然后将所有item向量家权和，得到新的隐向量
• 文中的做法是对计算出来的权重乘以时间衰减常数，和乘以行为类型矩阵

排序后的重排做了啥

• 只做多样性控制，具体如何控制没说
• 个人猜测，应该是计算文本的某种相似度，限定相似度不能太大

展现控制模块都做了啥

• 控制出不出：通过用户意图预测，判断出不出
• 将词变成场景文本
• 行业干预：如双十一的人工策略干预

控制出不出的意图预测是如何做的

• 没有说

如何评估加入风向标和不加的效果差异

• 直接根据AB测试，看业务指标即可
• 点击率怎么看？应该只能看总体的交易额？

关键词是如何变成场景文本的？

• 文中没有说