多行为序列融合（点击、收藏、购买），行为强度的量化与嵌入？
推荐场景存在多种行为：点击、收藏、加购、购买等，它们对「用户兴趣/意图」的强度不同：购买 > 加购 > 收藏 > 点击。多行为序列融合的目标是：在同一序列中区分行为类型与强度，让强行为在用户表示中占更大权重或更显式地参与预测。
量化方式：（1）离散类型嵌入：为每种行为学一个 type embedding $\boldsymbol{p}^{type}$，与 item 嵌入相加或拼接，即 $\tilde{e}t = e_t + \boldsymbol{p}^{click/cart/buy}$，模型通过 type 学习不同强度的贡献；（2）标量权重：给每种行为一个可学习或预设的标量 $w_b$（如购买=1，加购=0.7，点击=0.3），在 attention 或 pooling 时乘上 $w_b$，即 $a_t \propto w{b(t)} \cdot \exp(\text{score}(e_t, \boldsymbol{v}_A))$；（3）行为嵌入 + MLP：用 MLP 将 (item_emb, behavior_emb) 映射到统一空间，隐式学强度。形式化可写为 \(\tilde{e}_t = \mathrm{Agg}(e_t, \boldsymbol{p}^{type}; w_b),\quad \boldsymbol{v}_U = \sum_t a_t \tilde{e}_t.\)
序列融合：同一序列里混合多种行为，用上述 $\tilde{e}_t$ 作为序列元素做 attention/GRU/Transformer；或在 loss 侧做多任务：主目标（如购买） + 辅助目标（点击、加购），各行为共享序列表示、分头预测。这样强行为在梯度与表示中自然占优，同时利用全序列信息。工程上需注意行为分布不平衡（点击远多于购买），常用样本加权或多任务权重平衡。
| 返回模块 | 返回总览 |