推荐系统顶会CIKM：《Enhancing CTR prediction in Recommendation Domain with Search Query Representation》

📚 研究背景： 在数字化时代，电商平台如Amazon和Kuaishou等，通过结合搜索(Search)和推荐(Recommendation)服务，满足用户的多元化需求。推荐系统基于用户偏好推荐商品，而搜索服务则允许用户主动寻找特定商品。这两个服务的用户行为数据，为提高推荐系统的点击通过率(CTR)预测准确性提供了宝贵的机会。然而，现有方法往往忽视了用户在搜索和推荐领域间的意图转变，未能充分利用搜索查询中的用户偏好信息。

🔍 相关工作：

• 跨域推荐系统：通过共享用户或商品信息，增强目标领域的性能。
• 搜索与推荐联合学习：通过联合损失和共享项目信息，提高搜索和推荐领域的模型性能。

🧠 模型图输入输出转变：

上图：模型框架图示意

• 输入：用户在推荐域和搜索域的历史交互数据，包括用户点击的商品列表、搜索查询序列。
• 输出：预测用户在推荐域中点击特定商品的概率（CTR）。

🔧 方法介绍： 本研究提出的QueryRec框架，通过以下步骤实现CTR预测的增强：

1. 查询序列编码：使用自注意力机制对搜索域中的用户查询序列进行编码。

• 具体来说，自注意力机制在这篇论文中的应用可以分解为以下几个步骤：

• 查询序列表示：

  • 用户的搜索查询序列被表示为一系列的查询嵌入（query