Когда длительная поведенческая история помогает в выработке последовательной рекомендации? Изучение с помощью сеансов, истории и сигналов общин

arXiv: 261 03626239v1 Annualce Type: New Humber Abstract: Sequential Recommendations Models обычно предсказывает следующее действие пользователя из недавних сеансных взаимодействий, которое ограничивает индивидуализацию в тех случаях, когда краткосрочные сигналы являются слабыми или двусмысленными. Вместо того чтобы предполагать, что включение долгосрочных исторических и общинных сигналов является общепригодным для всех, мы изучаем, когда это действительно помогает. Мы предлагаем BeHaveRec - трехсигенные рамки, объединяющие трансформатор причинно-следственных сеансов, двунаправленный энкодер истории пользователей по 90дневному окну и модуль ГрафSAGE по графику пользователя, построенному на сходстве поведения, а не сопровождённом элементе; врата извлеченных знаний смешивают три сигнала на одного пользователя. В промышленном наборе данных из 137 М последовательностей от 12,6M пользователей, BeHaveRec улучшает R@5 на +3,2% по сравнению с SASRec, при этом базовая мощность SASSRec (больше параметров, чем Bhevel Rec) все еще составляет 2,5%, что исключает возможность использования в качестве объяснения. Более важно, стратификация уровня пользователя по длине истории