摘要
基于深度学习的方法已在工业推荐系统（RSs）中得到广泛应用。以往的研究采用了嵌入与多层感知机（Embedding&MLP）的范式：原始特征被嵌入到低维向量中，然后输入多层感知机进行最终推荐。然而，大多数这些研究只是简单地拼接不同的特征，忽略了用户行为的顺序性。在本文中，我们提出使用强大的Transformer模型来捕捉阿里巴巴推荐场景中用户行为序列背后的顺序信号。实验结果证明了所提模型的优越性，并且该模型已在线部署于淘宝，相较于两个基线模型，在线点击率（CTR）显著提升。
基于深度学习的方法已在工业推荐系统（RSs）中得到广泛应用。以往的研究采用了嵌入与多层感知机（Embedding&MLP）的范式：原始特征被嵌入到低维向量中，然后输入多层感知机进行最终推荐。然而，大多数这些研究只是简单地拼接不同的特征，忽略了用户行为的顺序性。在本文中，我们提出使用强大的Transformer模型来捕捉阿里巴巴推荐场景中用户行为序列背后的顺序信号。实验结果证明了所提模型的优越性，并且该模型已在线部署于淘宝，相较于两个基线模型，在线点击率（CTR）显著提升。