面向短视频推荐的行动感知生成式序列建模
人工智能
2026-04-29 v1 信息检索
摘要
随着互联网的快速发展，用户对在线内容消费平台的推荐准确度期望日益提高。然而，短视频通常包含多样化的片段，用户对所有片段的态度可能不尽相同。将视频视为单一整体的传统二分类推荐模型在准确捕捉此类细微偏好时面临局限性。考虑到用户消费是一个时间过程，本文通过统计分析和行为模式考察表明，用户行为的时机能够代表不同的意图。基于此洞察，我们提出了一种新颖的建模范式：行动感知生成式序列网络（A2Gen），该范式在时间维度上细化用户行为，并将其串联成序列以进行统一处理和预测。首先，我们引入上下文感知注意力模块（CAM），对富含物品特定上下文特征的行为序列进行建模。在此基础上，我们开发了分层序列编码器（HSE），从用户的历史行为中学习时间行为模式。最后，通过利用 CAM，我们设计了一个行为序列生成模块：行为序列自回归生成器（AAG）。在快手数据集和天猫公开数据集上的大量离线实验证明了我们所提模型的优越性。此外，通过在快手平台部署的大规模在线 A/B 测试，我们的模型通过利用序列信息在多任务预测中取得了优于基线方法的显著提升。具体而言，它使用户观看时间增加了 0.34%，交互率增加了 8.1%，整体用户留存率（LifeTime-7）增加了 0.162%，从而成功部署于全流量，每天服务超过 4 亿用户。
引用
@article{arxiv.2604.25834,
title = {Action-Aware Generative Sequence Modeling for Short Video Recommendation},
author = {Wenhao Li and Zihan Lin and Zhengxiao Guo and Jie Zhou and Shukai Liu and Yongqi Liu and Chuan Luo and Chaoyi Ma and Ruiming Tang and Han Li},
journal= {arXiv preprint arXiv:2604.25834},
year = {2026}
}
备注
11 pages, 8 figures, SIGIR 2026