#Paper Reading# Personalized Context-aware Re-ranking for E-commerce Recommender Systems

论文题目: Personalized Context-aware Re-ranking for E-commerce Recommender Systems
论文地址: https://arxiv.org/abs/1904.06813
论文发表于: arxiv，2019.04

论文大体内容：
本文主要提出了PCRM（Personalized Context-aware Re-ranking Model）模型，将Google BERT中使用的Transformer结构应用到Listwise的Learning To Rank里面，并在offline和online都取得不错的效果。

1. 传统的pointwise方法，只能独立给每个item打分，没有考虑到item之间的相互关系，以及user的意图，所以本文提出了一个个性化context-aware的rerank模型，主要是使用Transformer结构来优化listwise。其中Transformer使用了self-attention的方法来对list里面的每一对item的关系进行建模；

2. 本文主要工作包括：
①PCRM首次引入个性化的信息到rerank的模型中；（传统CTR模型的最后一个hidden layer作为PCRM的特征）
②使用了Transformer结构，相比RNN更高效；
③发布了一个手淘的large-scale数据集，共1400万+样本，24GB；
④做了offline和online的evaluation；

3. 作者认为在传统的pointwise CTR模型后，还得考虑2个关系，才能使得推荐结果更好：
①Local context information：item之间的依赖关系；
②Global context information：user和item之间的交互关系

4. PCRM模型的整体框架如图，主要包括以下3个部分：
①Input Layer
-Local context information的X；
-Global context information的PV，是通过预训练传统CTR模型的最后一个hidden layer；
-Position embedding；
②Encoding Layer，就是使用了Transformer[1]的结构，包括Multi-Head Attention（多个self-attention的ensemble）、FFN；
③Output Layer，对每个item进行softmax，给每个item打rerank分（一次请求10个item是一条样本-->Lisewise），使用了Adam算子；

实验
5. Dataset

6. Baseline
LTR
①SVMRank；
②LambdaMart；
③DNN-based LTR（WDL）；
Rerank
④DLCM

7. 评测方法
offline
①Precision@k；
②MAP@k；
online
③PV；（曝光）
④IPV；（点击）
⑤CTR；（IPV/PV）
⑥GMV；

8. 实验结果

参考资料： 
[1] Transformer理解 https://zhuanlan.zhihu.com/p/48508221

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！