京东商品可解释推荐系统

SASRec + MLP 核心模型

融合用户行为序列建模与商品多源属性编码的推荐模型：

• SASRec 序列编码器：使用多层自注意力机制（Transformer Decoder）捕捉用户兴趣的时序演化，输出用户表征向量
• 商品 ID Embedding：与 SASRec 共享的 Embedding 层，编码协同过滤信号
• 属性 MLP：将品类、品牌、a1-a3 等离散属性通过独立 Embedding 编码，连同评论数等连续特征投影到统一空间
• 融合方式：商品表征 = ID Embedding + 属性投影，兼顾行为信号与内容语义
• 训练策略：Sampled Softmax，梯度同时流过用户侧和商品侧

对比基线

• Item-CF：基于物品共现的协同过滤，统计商品在用户序列中的共现频率，用余弦相似度推荐相似商品
• GRU4Rec：基于 GRU 的序列推荐模型，将商品序列输入 GRU 编码器，取最后隐状态做 Softmax 分类

注意力权重驱动的推荐理由

推荐理由直接来源于 SASRec 最后一层自注意力矩阵，体现模型真实决策依据：

• 提取最后一层 Self-Attention 中「最后位置」对历史各位置的注意力权重向量 (B, L)，反映每个历史商品对当前推荐的贡献度
• 找出注意力权重最高的历史商品（即模型认为最相关的历史交互）
• 若推荐商品与该历史商品同品牌 → 说明品牌偏好被模型捕捉
• 若推荐商品与该历史商品同品类 → 说明品类兴趣被模型捕捉
• 展示具体注意力权重数值（如 0.38），使推荐理由可量化、可验证

冷启动优势

SASRec+MLP 的属性编码机制使得新商品（缺少行为数据）也能通过品类、品牌等结构化属性获得有意义的表征，缓解冷启动问题。纯协同过滤方法（Item-CF、GRU4Rec）对新商品完全无法推荐。