基于TCN的短期兴趣个性化序列推荐

随着移动互联网蓬勃发展，个性化推荐也迎来了新的机遇和挑战。传统推荐算法更注重静态长期特征的

在电商、互联网广告、移动互联网中，推荐系统发挥着越来越大的价值。过去几年来，一个明显的趋势是搜索、计算广告，以及个性化推荐这三者在底层模型和技术工具上越来越趋于融合。相比于PC互联网，用户使用场景和习惯的改变使得用户行为模型在推荐领域的重要性获得了空前提升。推荐不再单单局限于兴趣领域，兴趣、关系、场景、行为模式，这四者都会起到至关重要的作用。目前几乎所有的解决范式都是将用户理解为行为结构体，这个结构体包含了兴趣、关系、场景、行为模式中的一种或者多种， 这些信息向量化之后成为大量Feature。

而推荐的目标就是预测用户的未来行为， 如点击行为(CTR预估)、购买行为(CVR 预估)等等。但是大多数基于特征集合的方法更注重一般偏好，更容易忽略短期动态变化的兴趣。一般偏好代表用户的长期和静态的行为，更容易基于整体的特征矩阵运算得到。而用户的短期和动态行为，则来自于在很近的时间物品之间的某种关系。例如在某电商平台的手机app 平台， 在不断下拉的feed 流环境下，用户的兴趣动态变化频繁，有些用户可能在购买小米手机后不久就购买手机配件，尽管大多数用户一般不会购买手机配件。在这种情况下，只考虑一般偏好的系统，将错过在销售iPhone 后推荐手机配件的机会，因为购买手机配件不是一种长期的用户行为。

本文目标是通过结合用户的一般喜好和序列模式，来推荐他她未来最有可能需要的一系列物品。和以往各种深度学习机器学习的Top-N 推荐算法不同的是， Top-N 序列推荐将用户行为建模为物品的序列， 而不是集合。

2. 相关研究 2.1. 基于特征集合 FM (Factorization Machine)是近年来在推荐、CTR 预估中常用的一种算法，该算法在LR 的基础上考虑交叉项，FM 在后半部分的交叉项中为每个特征都分配一个特征向量V，这其实可以看作是一种Embeding 的方法。

Dr. Zhang [1]在文献中提出一种利用FM 得到特征的embeding 向量并将其组合成dense real 层作为DNN 的输入的模型——FNN [1]，将每个特征用其所属的field 来表示，导致原始输入大大减少，但是FM 参数需要预训练，无法拟合低阶特征，每个field 只有一个非零值的强假设。Dr. Zhang 在FNN 模型的基础上又提出了新模型PNN [2]。但模型对于低阶特征的表达比较有限。

因此，Google 在2016 年提出了大名鼎鼎的Wide & Deep [3]结构来解决了这样的问题。网络结构如