搜索和推荐混在一起时,按多兴趣把用户行为拆开建模

Multi Interests for Joint Search-Recommendation Modeling

Xiangchen Pan, Wei Wei, Huakang Niu, Zhicong Cheng

cs.IR

2026-08-11

MIJSR 从结构和语义两个角度对搜索推荐混合序列做多兴趣挖掘,搜索 HR@5 在 KuaiSAR 上提升约 4.5%。

这篇在解决什么

搜索和推荐是理解用户偏好的两条路:搜索是用户主动表达需求,推荐是被动接收。现在不少工作把它们放一起联合建模(joint search-recommendation),用一份混合行为序列同时服务两个任务。

问题是现有方法把搜索和推荐行为揉进同一条序列统一编码,忽略了同一用户在不同场景下的兴趣是分开的。比如一个用户长期逛数码、设计玩具,临时起意要订机票,统一建模下这点短期出行意图会被长期历史兴趣淹没。

MIJSR(Multi-Interest Joint Search-Recommendation)把混合序列里的兴趣拆开。三个模块:

跨域行为融合:用对比学习把 query 和 item 的表示对齐到同一空间,让搜索词和商品能直接比。
多兴趣挖掘:从结构和语义两个角度切。结构上,用目标注意力和掩码自注意力分别抽搜索兴趣、推荐兴趣、跨域兴趣,掩码矩阵让同域行为互看、跨域行为隔开。语义上,对 query 做 K-Means 聚类,按聚类把混合序列切成若干语义子序列,再用正交损失减少各兴趣表示之间的冗余。
多任务预测:用 PLE(Progressive Layered Extraction)做搜索和推荐两个任务的联合预测,共享专家加各自专属专家。

在两个公开数据集 KuaiSAR 和 Amazon Kindle 上,对比 UniSAR 等基线:

搜索任务提升更明显,推荐任务也有小幅提升。

对做搜索推荐一体化的团队,把兴趣按场景拆开建模是个合理且有效的方向,尤其能保住混合序列里的短期意图。这是个增量改进,工程上各模块都可复用现成组件(对比学习、PLE、聚类),落地门槛不高。

作者承认存在多任务跷跷板(seesaw):搜索和推荐一个涨另一个可能掉,他们按平均 NDCG@5 做早停来折中。语义聚类的簇数 k 对效果敏感,太少太粗、太多太稀,需要调。复现的 UniSAR 基线跟原论文对不上,作者归因于跷跷板和早停策略差异,这意味着绝对的提升幅度可能不完全可比。