来源 | 深度传送门（ID:
deep_deliver
）
【导读】最近基于Transformer的一些NLP模型很火（比如BERT，GPT-2等），因此将Transformer模型引入到推荐算法中是近期的一个潮流。Transformer比起传统的LSTM、GRU等模型，可以更好地建模用户的行为序列。本文主要整理Transformer在推荐模型中的一些应用以及在2019年的最新进展。
Self-Attentive Sequential Recommendation, ICDM 2018
模型结构
问题定义：模型输入是用户 u 的一个历史交互序列：
, 其期望的输出是该交互序列一个时间刻的偏移：
。
Embedding层
将输入序列
转化成固定长度的序列
。意思是如果序列长度超过n，则使用最近n个行为。如果不足n，则从左侧做padding直到长度为n。
位置embedding：因为self-attention并不包含RNN或CNN模块，因此它不能感知到之前item的位置。本文输入embedding中也结合了位置Embedding P信息，并且位置embedding是可学习的。
Self-Attention层
Transformer中Attention的定义为：
本文中，self-attention以embedding层的输出作为输入，通过线性投影将它转为3个矩阵，然后输入attention层：
为了避免在预测i时刻的item时用到后续时刻的信息，本文将符合（j > i）条件的
与
之间的连接forbidding掉，这是因为self-attention每个时刻的输出会包含所有时刻的信息。
Point-wise前馈网络
尽管self-attention能够用自适应权重并且聚焦之前所有的item，但最终它仍是个线性模型。可用一个两层的point-wise前馈网络去增加非线性同时考虑不同隐式维度之间的交互：
预测层
最后采用MF层来预测相关的item i：
其中
是给定t个item，下一个item i的相关性。N是item embedding矩阵。为了减少模型尺寸及避免过拟合，共用一个item embedding。
显式用户建模
为了提供个性化推荐，当前主要有两种方法：学习显式的用户embedding表示用户偏好(MF，FPMC，Caser)；考虑用户之前的行为，通过访问过的item的embedding推测隐式的用户embedding。
本文采用第二种方式，同时额外在最后一层插入显式用户embedding
，例如通过加法实现：
但是通过实验发现增加显式用户embedding并没有提升效果。
Next Item Recommendation with Self-Attention, 2018
模型结构
本文亮点是同时建模用户短期兴趣（由self-attention结构提取）和用户长期兴趣。
短期兴趣
其短期兴趣建模过程如下：假定使用用户最近的 L 条行为记录来计算短期兴趣。可使用X表示整个物品集合的embedding，那么，用户 u 在 t 时刻的前 L 条交互记录所对应的embedding表示如下：
其中每个item的embedding维度为d，将
作为transformer中一个block的输入。
这里需要注意和传统transformer的不同点：
-
计算softmax前先掩掉
矩阵的对角线值，因为对角线其实是item与本身的一个内积值，容易给该位置分配过大的权重。
-
没有将输入
乘以
得到
，而是直接将输入
乘以softmax算出来的score。
-
直接将embedding在序列维度求平均，作为用户短期兴趣向量。
self-attention模块只使用用户最近的L个交互商品作为用户短期的兴趣。那么怎么建模用户的长期兴趣呢？可认为用户和物品同属于一个兴趣空间，用户的长期兴趣可表示成空间中的一个向量，而某物品也可表示为成该兴趣空间中的一个向量。那如果一个用户对一个物品的评分比较高，说明这两个兴趣是相近的，那么它们对应的向量在兴趣空间中距离就应该较近。这个距离可用平方距离表示。
综合短期兴趣和长期兴趣，可得到用户对于某个物品的推荐分，推荐分越低，代表用户和物品越相近，用户越可能与该物品进行交互：
模型采用pair-wise的方法训练，即输入一个正例和一个负例，希望负例的得分至少比正例高γ，否则就发生损失，并在损失函数加入L2正则项：
BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer, CIKM 2019
显而易见，本文的亮点是结合使用预训练的BERT模型。
模型的输入是用户历史交互序列，对交互序列中的每一个物品 i，其Embedding包含两部分，一部分是物品的Embedding，用vi表示；另一部分是位置信息的Embedding，用 pi 表示。这里的pi是可学习的。
主要包括Multi-Head Self-Attention层和Position-Wise Feed-Forward Network，其中Multi-Head Self-Attention计算过程如下：
Stacking Transformer Layer使用了类似于resnet的skip连接结构。
因为在BERT4Rec中，输入历史序列[v1, v2, ..., vt-1]，输出的是包含上下文信息的向量[h1, h2, ..., ht-1]，这里每个向量ht都包含了整个序列的信息。如果要预测用户t时刻的交互物品vt，如果直接把 vt 作为输入，那么其余每个物品在Transformer Layer中会看到目标物品vt的信息，造成一定程度的信息泄漏。
因此可把对应位置的输入变成[mask]标记。打标记的方式和BERT一样，随机把输入序列的一部分遮盖住，然后让模型来预测这部分对应的商品：
Behavior Sequence Transformer for E-commerce Recommendation in Alibaba, 2019
问题建模：给定一个用户u的行为序列：S(u) = {v1, v2, ..., vn }，学习一个函数F用于预测用户 u 点击item vt的概率。
