试问一下达托机器人（DRB）如何利用智能陪伴机器人算法分析用户行为和偏好？

来源：蜘蛛抓取(WebSpider) 时间：2024-04-03 09:22 标签： 智能陪伴机器人
（图片大小可自由调整）2023年12月浙江省嘉兴市秀洲区公开招考10名专职社区工作者（第二批）笔试近6年高频考题难、易错点荟萃答案带详解附后第1卷一.参考题库(共420题)1.电子书是利用计算机技术将一定的文字、图片、声音、影像等信息，通过数码方式________在以光、电、磁为介质的设备中，再借助________的设备来读取、复制和传输。填入画横线部分最恰当的一项是：A.存储先进B.记录特定C.保存固有D.记忆专门2.下列哪一选项描述的是竞争关系：A.鹬蚌相争B.不见兔子不撒鹰C.螳螂捕蝉，黄雀在后
作者：章玉婷
中国科学院计算技术研究所TLDR：外卖推荐系统旨在为用户提供含有符合用户兴趣偏好的菜品的商家，已经服务于数十亿用户。与传统推荐不同，外卖推荐面临两大挑战：（1）双重交互感知偏好。传统推荐往往关注单一层次的用户对商品的偏好，而外卖推荐则需要综合考虑用户对商家和菜品的双重偏好。(2) 一天内的用户显著偏好变化。传统的推荐通常从会话级别或天级别的角度对用户偏好的连续变化进行建模。然而，在实际的外卖系统中，一天中的早、中、晚、深夜时段，用户的偏好差异显著。为了应对这些挑战，我们提出了一种针对于外卖推荐场景的双重时段变化偏好建模模型 (DPVP)。具体而言，我们设计了双重交互感知（Dual Interaction-Aware) 模块，旨在根据用户与商店和食品的交互来捕捉用户的双重偏好。此外，为了模拟用户一天中不同时段变化的偏好，我们提出了基于时间的分解（Time-based Decomposition) 模块以及时间感知门控机制（Time-Aware Gate）。离线和在线实验均表明，我们的模型在现实世界的数据集上优于最先进的方法，并且能够捕捉用户的双重时段变化的偏好。此外，我们的模型已经在美团外卖平台上线，取得了GMV（Gross Merchandise Value）指标0.70%的提升。链接：https://arxiv.org/abs/2306.04370背景介绍随着便捷的在线订购和线下配送服务，外卖系统(如美团/Uber Eats)在我们的日常生活中发挥着越来越重要的作用。截止2022年，全球外卖平台用户总数已达到约25亿。外卖推荐系统旨在从庞大的候选商家库中为用户提供包含符合用户兴趣偏好的菜品的商家，通常需要通过用户与商店或食品的历史交互行为来捕捉用户对食品或商店的偏好。然而，与传统推荐相比，外卖推荐由于用户、商家和菜品之间的复杂关系，显得更加困难。因此，外卖推荐系统引起了研究界和业界的关注。传统的推荐系统通常从用户和商品之间的单一历史交互数据中建模用户的时段无关的偏好。然而，外卖系统以下两大特点使得直接应用传统的方法用于外卖推荐变得困难。(1)用户与商家和菜品双重交互偏好，传统的推荐通常通过用户-物品的二元交互建模用户对物品的单层次偏好，而外卖推荐中用户、商家、菜品之间的三元交互则显得更为复杂如图1所示。其中用户对商家和菜品的双重交互，表现了用户不同层次的偏好。此外，由于商店和食物之间的从属关系，用户的双重偏好之间存在更复杂的相互作用。例如，用户Tom可能喜欢吃包子，而不太关心商家品牌，而用户Amy可能更关注商家的品牌，抑或是，有些人可能会权衡对商家及其菜品信息的偏好，例如在高商家评分和低食品价格之间权衡。(2) 用户时段变化偏好: 如图1，在传统推荐中，用户偏好很少有随一天中的时段显著变化的特征，而在外卖推荐中，用户偏好，尤其是对菜品的偏好，在一天的不同时间段变化显著。我们在真实的美团外卖数据集中，获得了用户与五大食品类别之间共计10万次的点击交互，并进一步根据点击的时间，呈现了各个时间段(即早上/中午/晚上/深夜)对不同类别食品的点击比例分布如图2所示。显然，从图中可知在早上用户更有可能与包子而不是烧烤进行互动，而在深夜则相反。此外，用户不同时期的交互也可能隐含了相似的偏好。例如，当用户偏好辛辣食物时，他/她倾向于在不同时段与辛辣口味的食物进行互动。基于以上特点，我们提出了一种新的外卖推荐模型。具体来说，论文设计了一个双重交互感知模块，旨在基于三元交互数据捕捉用户的双重偏好。此外，提出了一个基于时间的分解模块来捕获用户时段特定(Time-Specific)偏好，同时学习用户的时段共享(Time-Shared)偏好。然后，利用时间感知门网络融合用户特定时段和共享时段的双重偏好，得到用户的双重时段变化偏好。最终，该模型基于用户对商家和菜品的时段变化偏好之间的平衡做出预测。综上所示，本工作存在以下贡献：我们总结了相较于传统的推荐建模，外卖推荐中存在的双重交互感知和时段变化偏好建模的挑战，并设计了一种全新的模型DPVP来解决这些挑战。据我们所知，DPVP是第一个系统地建模外卖系统中双重交互和时段变化偏好的模型。我们提出了一个双重交互感知模块，用于捕捉用户的双重偏好。此外，设计了一个基于时间的分解模块来学习用户在特定时间段的偏好，并进一步利用一个时间感知门来自适应地建模用户的不同时段的偏好。离线和在线实验验证了该模型的有效性和可以捕捉外卖推荐的双重时段变化偏好的能力。模型方法在该论文中，我们主要关注商家推荐，这是外卖平台中一项紧迫的实际任务，而将菜品推荐留作未来的工作。模型的整体框架如图3所示：我们首先根据交互数据构建了双重时段变化的多图首先构建全时段的user-store-food 三元交互图，每条边都附有一个时段属性，如图3(a)示意。双重行为感知(Dual-Interaction-Aware)模块: 将分解为双重行为感知偏好图，即菜品级别交互图(food-level graph) 和商家级别交互图(store-level graph) ，如图3(b)。以food为中心节点的food-level图中，存在两种交互边：（1）user-food交互边暗示了用户对食物的偏好；（2）food-store边，能形成food-store-food结构，表示food之间的同商家的相似关系。相似地，在以store为中心节点的store-level图中，存在user-store和store-food边。二种level的图分别形式化如下：基于时间的分解模块：为了学习随时间变化的偏好，我们设计了一个统一的基于时间的分解模块来处理对偶交互图。在时段，每个图边和边集合的硬权重可以被统一公式化为：其中代表每条边的时段属性。因此，给定每个交互数据的时段属性,双重交互图可以被分解成个双重时间段特定的图，如图3(c)所示，即 :双重行为感知偏好建模初始化嵌入：考虑到 (1)希望捕获用户对两种完全不同类型的实体(即商家和菜品)的偏好，（2）直观地，用户在不同时间段很可能共享偏好，并且在不同时间段上，菜品和商店的意义没有显著差异。因此，我们对相同级的不同时间段的子图使用对应级的相同初始化嵌入组。即，共有菜品和商家级别的两组嵌入。利用mean-pooling分别聚合了不同时段的子图，分别获得时段下菜品层次下的菜品和用户表示以及商家层次下商家和用户表示。个性化菜品表示：对于每个商家，其个最常被点击的食物作为其候选食物。但是，用户对食物的兴趣因人而异。因此我们利用门网络根据用户表示获得了个性化菜品表示时段变化的偏好建模用户在不同时期的交互可能隐藏着相似的偏好；与整个周期的交互数据相比，特定周期的数据显得稀疏。以为例，阐述如何采用时间感知门获得时期下的最终表示：最终预测：最终我们采用MLP(多层感知器)融合细粒度菜品和粗粒度商家级别的双重偏好，以预测用户在时段交互该商店的可能性。实验结果我们在美团外卖平台的两个不同时间段的两个城市的真实世界数据集（MT-small,MT-large）。两个数据集的时间跨度均为八天。为了对用户的时段变化偏好进行建模，我们将一整天分为四个时间段，分别是早上5: 00-10: 00，中午10: 00-15: 00，晚上15:00-20:00，深夜20:00-次日5:00。为了评估模型性能，我们将前六天的数据拆分为训练数据，随后一天的数据用于验证，最后一天的数据用于测试。实验结果如下：通过消融实验表明，本文提出的双层次的聚合模型明显优于二元交互模型(DPVP(user-food), DPVP(user-store))， 单层次聚合(DPVP(food-level),DPVP(store-level))以及DPVP(global level) (即缺少dual interaction-aware模块)。此外，经实验分析，我们的模型可以提升所有时段的模型预测效果。并且对五大类食物平均预测分数的可视化后，说明我们的模型可以很好地捕捉用户时段变化的偏好。最后，我们利用DPVP模型中学习到的图嵌入作为下游推荐模型中的附加特征，并在主要的推荐场景中增加了0.70%的GMV，0.68%的CTCVR(点击率&转换率)，这证明了我们的方法的有效性。总结为了对外卖推荐中用户的双重+时段变化的偏好进行建模，我们提出了一种新的基于图的模型——DPVP模型。具体来说，我们设计了一个双重交互感知模块来模拟双重偏好。此外，我们提出了一个基于时间的分解模块以及一个时间感知的门控网络来捕捉随时段变化的偏好。在美团平台和在线A/B测试的两个真实数据集上的实验验证了该模型的优越性。此外，研究证明，我们的模型可以提高所有时间段的推荐性能，并能够捕捉用户在不同时间段的不同偏好。在后续工作中，我们计划考虑更多层次的时间因素，如季节和假期，以更准确地模拟用户对外卖推荐的时间变化的偏好。

我要回帖

更多关于 智能陪伴机器人 的文章

 

随机推荐