阿里推荐算法：BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transform

这篇是阿里猜你喜欢的一篇transformer paper,含金量很高。
注意：
1.bert用在推荐系统中，将用户的历史序列看做是词序列。
2.测试时，将序列的最后一个item进行masked
Abstract：
根据用户历史的行为信息，对用户动态的偏好衍变进行建模，是对推荐系统产生的巨大挑战。现有算法使用序列神经网络，只能从左向右，利用单向信息进行建模。尽管这些放大得到了很好的效果，但是他们设定的严格顺序是不实际的。因此，本文提出针对推荐系统的transformer的双向编码器表示。由于利用深度双向信息会造成信息的泄露，为了解决这个问题，本文使用Cloze task训练模型，利用上下文信息预测masked item。相比于预测next item，Cloze task可以产生多个训练样本。实验证明，本文提出的方法在多个数据集上效果明显

Introduction
精确地捕捉用户的兴趣，是推荐系统的核心问题。在实际生活中，用户的兴趣是根据历史偏好进行动态变化的。为了捕捉用户的偏好的动态变化，提出了许多根据用户历史交互信息的序列推荐算法，最早使用马尔科夫对用户序列进行建模，其中一些方法的强假设破坏了推荐系统的准确性。近期，一些序列神经网络在序列推荐问题中取得了不俗的效果。最基本的思想就是将用户的历史序列自左向右编码成一个embedding，然后基于这个embedding进行推荐。

本文认为自左向右的序列推荐算法限制了用户历史信息的发挥。无论是RNN还是MCs，都具有一定的顺序性。而这种顺序性的假设，对于实际生活中的用户行为并不适用。例如下图，三个口红的点击顺序对于用户的推荐并没有什么差别。因此，本文认为双向模型对于序列推荐问题更有效。

由于用户的行为序列很像是文本序列，而Bert是目前最好的自然语言处理模型。但是Bert不能直接用到序列推荐问题。如图，同时利用双向信息会造成信息的泄露，为了解决这个问题，采用了Cloze task，将输入序列进行随机的mask，然后利用上下文信息，预测mask item。利用cloze task任务还可以产生大量的训练样本。因为训练过程和最终的任务（预测序列的下一项）不匹配，所以在预测过程，我们将mask 加入到输入序列的最后，然后利用mask的embeeding进行推荐。

创新点：

1:提出了一种基于双向self-attention的cloze take用户行为序列建模方法。据我们所知，这是第一个将双向self-attention的cloze take用户行为序列建模引入推荐系统的算法。
2:我们将我们的模型与最先进的方法进行了比较，并通过对四个基准数据集的定量分析，证明了本文算法的有效性。
3:我们进行了一项消融分析，分析了模型中关键部件的影响

BERT4REC

一:问题定义：定义U={u1,…,un}为用户序列，V={v1,…,vn}，Su={u1u,…,un u }为用户u和商品的交互数据。目标就是预测用户下一次点击的商品，即

二:模型结构：如图b，是L层的Transformer，每一层利用前一层所有的信息。相比于图d的基于RNN的推荐模型，self-attention可以捕获任意位置的信息。相比于基于cnn的推荐模型，可以捕获整个field的信息。相比于图2c和图2d的模型（都是l2r的单向模型），本文提出的双向模型可以解决现有模型的问题

1:Transformer层
如图a，Transformer层有两层组成a Multi-Head Self-Attention sub-layer 和a Position-wise Feed-Forward network

1）.a Multi-Head Self-Attention sub-layer：在各种任务中，注意机制已经成为序列建模的一个组成部分，允许建模表示对之间的依赖关系，而不考虑它们在序列中的距离。以前的工作表明，在不同的位置联合处理来自不同表示子空间的信息是有益的[6,29,52]。因此，我们在这项工作中采用了Multi-Head Self-Attention代替单一的attention。特别地，Multi-Head Self-Attention就是将H通过不同的线性映射函数映射到h的子空间，然后将其concatenated后再一次映射

2）a Position-wise Feed-Forward Network：由于只有线性映射，为了使得模型具有非线性的性质，所以采用了a Position-wise Feed-Forward Network。使用了Gaussian Error Linear Unit，Φ(x)是高斯分布的累积分布函数，W (1) ∈ Rd×4d , W (2) ∈ R4d×d , b(1) ∈ R4d和b(2) ∈ Rd对所有位置共享，但是层与层之间不一样。

3）:Stacking Transformer Layer：可以学到更多item之间的交互信息，但是模型复杂了之后就不能训练深度模型，因此两个sub-layer在normal之后加入了residual connection，并且在每一个sub-layer输出后加入了dropout，LN是normal layer，其中μ和σ分别是均值和标准差，⊙是点乘，γ是scale因子，ϵ是一个很小的因子，为了防止分母为0：

2:模型总体：

3:Embedding层：**由于没有使用cnn和rnn，所以self-attention没有关注input序列的顺序性，因此加上位置向量，本文的位置向量是学到的，不是transformer中的正弦。**位置向量矩阵可以给定任意位置的向量，但是要明确最大的长度，因此需要对input序列进行截断：

4：Output层：用最后一层的向量进行预测。接入softmax，判断这个位置的item是什么。这里使用两层带有RELU激活函数的前馈网络，其中E是item的我们倍额定，和input层一致。wP是映射举着，bp和bo是bias

三：训练过程：单向模型的训练都是通过预测输入序列下一个位置。双向模型预测时可能会造成信息泄露，所以采用cloze taske，也就是将输入序列中的p%的词进行masked，然后根据上下文信息预测masked的词

将masked最终向量输入到softmax，损失函数定义如下：

如上所述，我们在训练过程和最终的序列推荐任务之间是不匹配的。因为

cloze taske的目的是预测当前的masked，而序列推荐的目的是预测未来。为了解决这个问题，我们将masked附加到用户行为序列的末尾，然后根据该maske的最终隐藏表示来预测下一项。为了更好地匹配序列推荐任务(即，预测最后一项)，我们还生成了在训练过程中只屏蔽输入序列中最后一项的样本。实验证明效果不错。