周俊，张志强，曹月恬，郑小林

（1. 浙江大学 计算机科学与技术学院， 浙江 杭州 310007; 2. 蚂蚁集团， 浙江 杭州 310013）

近年来，许多研究者致力于使用表示学习的手段来学习用户表征，刻画用户的历史行为，并将其用于各种各样的在线服务中，比如商品推荐、优惠券投放、在线广告等。但现有的方法大多聚焦于对用户历史的点击/购买商品序列建模，无法直接应用于具有强时空语义的实际场景中(如美团、饿了么等本地生活平台)。在这样的场景中，要同时解决“When”、“Where”和“What”的问题，即在特定的时间、特定的地点为用户推荐合适的商品。为此，需要学习一个好的用户表征，它不仅仅能捕获用户在点击/购买序列上表现的兴趣偏好，更要刻画这些兴趣偏好随着时间和位置的演化特征。本文的核心研究任务是如何在时间和空间的维度上学习用户的统一表征，刻画用户行为的时空语义。

在时间建模上，考虑到行为稀疏性和用户关联性，本文主要在用户−商品交互(如购买)的时序图上进行用户表示学习。国外针对时序比较成熟的表示学习方法主要有3类：1) 基于随机游走的方法[1-2]直接将时序信息融合到随机游走序列中，并通过经典的skip-gram方法学习动态表征。但这类方法忽略了节点和边上的丰富信息，并无法进行归纳学习。2) 基于时间切片的方法[3-4]先在不同的时间切片上进行表示学习，然后通过神经网络将不同切片上的表示融合为最终的节点表示。这类方法忽略了每个时间切片内的动态性，一定程度上损害了节点关系随时间演化的特性；……