从这篇开始，咱们陆续来介绍几篇推荐系统中特征建模的文章。今天要介绍的是19年的一篇文章，算是比较早的一篇在特征上进行建模的论文，对现在的一些建模方式具有一定的借鉴意义，一起来看一下。
1、背景
序列推荐的目标是基于用户的历史行为序列pattern，来推荐用户下一个最可能交互的item。这种pattern不仅存在在item粒度，也可能存在特征粒度。从item粒度举例，如购买过苹果手机的用户，很有可能下一个会购买苹果手机壳；从特征粒度来讲，以品类为例，购买了衣服的用户，后有可能下一个会购买鞋子。因此，从item和feature粒度对用户的行为偏好pattern进行建模，对于提升推荐效果是具有显著的意义的。但当前（指该论文发表以前，现在对于特征建模的论文就比较多了）的论文大都关注item粒度的pattern建模，而忽略了feature粒度的pattern建模。因此，论文提出了Feature-level Deeper Self-Attention Network (以下简称FDSA)，使用self-attention对用户feature粒度的偏好pattern进行建模。
2、FDSA介绍
FDSA模型的整体结构如下图所示：
主要分为上下两部分，上面的部分是Item粒度的self-attention，建模item粒度的的偏好。下面是feature粒度的self-attention，建模用户feature粒度的偏好。最后两部分的输出进行拼接，通过MLP层，输出每一个target item的偏好概率。接下来，主要对feature粒度的建模过程进行介绍。
2.1 Input
这部分的输入包括n个历史行为的feature，如果用户历史行为长度不足n，则用0补齐，如果超过n，则按时间进行截断。特征主要分为两类，一类是item的基础属性特征如品类category、品牌brand，这类特征通过embedding layer转换为对应的embedding表示；另一类是文本特征。对于文本特征，首先使用word2vec进行词向量的学习，再抽取标题和描述中的五个关键词，使用mean pooling方式得到item的文本特征表示。
2.2 Vanilla attention layer
这一层的主要作用是筛选用户关注的特征，即哪些特征对于用户的决策起到了更重要的作用，假设item i的的输入表示为：
接下来，首先计算每个特征的attention score，然后对特征进行加权，得到该item的特征层面的最终表示：
2.3 Feature-based self-attention block
最后，针对每个item的表示，经过多个self-attention block得到feature建模部分的最终输出。self-attention的具体计算过程就不做赘述，这里主要提一点，为了在计算过程中融入行为发生的顺序信息，输入self-attention模块时，融入了position encoding：
3、实验结果
最后看下实验结果
4、总结
论文在细粒度feature建模方面，所提出的方法具有一定的借鉴意义。可以看到，论文采用的是一种两阶段的建模思路，即先建模单个item内用户对于不同feature的偏好程度，再建模item之间的相互影响。其实还有其他的思路，如先关注不同item的相同属性的相互影响，如item的价格，评分，再建模用户对于不同feature的偏好（美团的crossDQN），再比如使用一阶段的建模方式，同时建模item和feature的偏好（如ebay的trans2D）。不同的思路结合建模场景可灵活选择。
好了，本文就介绍到这里，感兴趣的同学可以阅读原文，最后祝大家端午安康～
