论文《Behavior Sequence Transformer for E-commerce Recommendation in Alibaba》

阿里BST

论文地址：arxiv.org/pdf/1905.06…

19年阿里这篇推荐论文也是紧贴热点，将Transformer应用到提取用户序列上面，提出Transformer Layer，提取用户序列信息。

网络结构图如下 Transformer Layer其实是Transformer的encoder部分 用户序列的输入分为2种，一种叫Sequence Item Features，一种叫Positional Features Sequence Item Features：包括 item_id 和 category_id Positional Features：其实就是Transformer position Embedding的输入，item $v_i$的的位置特征值表示为$pos(v_i) = t(v_t) - t(v_i)$，$t(v_t)$表示当前推荐时间，$t(v_i)$表示点击item $v_i$时间

论文还实验了多个Transformer block的效果，发现1个block效果最好，给出的解释是用户序列相比NLP中的句子要简单些，一个block就能学到大部分信息。

加这样的结构比较简单，可以快速在业务中尝试，是个不错的选择