面向日常 Fantasy 体育的可扩展且及时感知的排名引擎
计算机视觉与模式识别
2026-04-16 v1 机器学习
摘要
在日常 Fantasy 体育 (DFS) 中，赛事参与高度依赖时效性。用户必须在比赛开始前的狭窄时间窗口内行动，使赛事推荐成为时间紧迫的任务，以防止错失参与和收入损失。现有的推荐系统通常为静态物品目录设计，难以处理这些直播事件固有的硬性时间限制。为此，我们设计并部署了基于Deep Interest Network (DIN)架构的推荐引擎。我们通过两种方式注入时序性：首先，通过每个备选赛事的实时紧迫特征（如时间到赛事锁定），其次，通过表示历史交互与当前推荐请求之间时间间隔的时序位置编码，使模型能够动态加权过去行为的新鲜度。这一方法结合listwise neuralNDCG损失函数，产生高度相关且及时感知的排名。为支持工业级规模，我们开发了基于Ray和PyTorch的多节点、多GPU训练架构。该系统在拥有65万用户和1000亿交互的大型工业数据集上验证，相较于轻量级基准（LightGBM）实现的+9% nDCG@1提升。该模型的强劲离线性能奠定了其作为核心组件的可行性，该组件计划用于设备端 (edge) 推荐系统，届时将进行在线A/B测试。
引用
@article{arxiv.2604.13795,
title = {Artificial intelligence application in lymphoma diagnosis with Vision Transformer using weakly supervised training},
author = {Nghia and Nguyen and Amer Wahed and Andy Quesada and Yasir Ali and Hanadi El Achi and Y. Helen Zhang and Jocelyn Ursua and Alex Banerjee and Sahib Kalra and L. Jeffrey Medeiros and Jie Xu},
journal= {arXiv preprint arXiv:2604.13795},
year = {2026}
}
备注
23 pages, 6 figures, 1 table