用神经网络建模推荐系统用户点击行为，超越传统点击模型。
Neural Click Models for Recommender Systems
- 采用循环网络与改进的Transformer结构建模用户行为序列
- 在ContentWise和RL4RS数据集上优于基线模型
- 适用于推荐系统仿真与预训练，提升评估效果
我们开发并评估了受网页搜索点击模型启发的神经架构，用于建模推荐系统中的用户行为，突破了标准点击模型的局限。提出的架构包括循环网络、缓解自注意力二次复杂度的Transformer模型，以及对抗性与分层架构。在ContentWise和RL4RS数据集上，所提模型均优于基线方法，且可用于推荐系统模拟器中建模用户响应，以支持系统评估与预训练。
原文摘要 · Abstract (English)
We develop and evaluate neural architectures to model the user behavior in recommender systems (RS) inspired by click models for Web search but going beyond standard click models. Proposed architectures include recurrent networks, Transformer-based models that alleviate the quadratic complexity of self-attention, adversarial and hierarchical architectures. Our models outperform baselines on the ContentWise and RL4RS datasets and can be used in RS simulators to model user response for RS evaluation and pretraining.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。