摘要

在本文中，我们详细描述了我们的 IEEE BigData Cup 2021 解决方案：基于 RL 的 RecSys（Track 1：Item Combination Prediction）。我们首先对数据集进行探索性数据分析，然后利用这些发现来设计我们的框架。具体来说，我们使用==基于双头转换器的网络来预测用户反馈和解锁会话，==以及建议的会话感知重新加权损失、带有点击行为预测的多任务处理和会话中的随机性增强。在 Kaggle 的最终私人排行榜中，我们的方法以 0.39224 的分类准确度排名第二。

引言

IEEE BigData Cup 2021: RL-based RecSys (Track 1: Item Combination Prediction) [1] 的任务是根据用户的点击历史、肖像特征和项目特征，预测每个用户对九个暴露项目的购买反馈。此任务的特殊设置是九个项目分为三个会话。用户只有在当前会话中购买了所有三个项目后才能解锁后续会话。
更正式地说，给定用户u(以及他/她的点击历史记录cu,1, cu,2，…，部分人像特征为、……， fu,10)和他/她的9个暴露项目iu,1, iu,2，…， iu,9(以及一些项目特征fi,1, fi,2，…i)，目标是预测9种交互yu,1, yu,2，…， yu,9∈{0,1}。每一次交互都表明该用户是否会购买相应的商品。此外，在这个场景中，中间的三项商品iu、4、iu、5、iu、6直到用户购买了前面三项商品iu、1、iu、2、iu、3才会解锁，同样，最后三项商品iu、7、iu、8、iu、9直到用户购买了前面六项商品iu、1、iu、2、……， iu,6 (c.f.图1)。该任务的评价指标为分类精度(Categorization Accuracy)度量，定义如下:

。。。
为了克服上述挑战，我们提出了一个精致的基于双头变压器的框架来预测用户的购买行为和解锁会话。解锁的会话预测可以用来改进不合理的购买预测。我们进一步提出了一种会话随机增强技术和一种新的会话感知重加权损失，以解决该场景中的独特特征。最后，利用带有点击预测的多任务训练程序来辅助嵌入层的学习。大量的实验和烧蚀研究证明了我们的方法的有效性。接下来，我们将在第二部分进行探索性的数据分析，在第二部分描述我们提出的方法，最后在第二部分进行讨论和未来的工作