变体专家组合：整合短期与长期偏好的推荐系统
信息检索
2026-01-06 v2 机器学习
摘要
在在线数字环境中，推荐系统无处不在，发挥着关键作用，以提升用户体验。这些系统利用用户偏好提供个性化推荐，从而帮助用户应对选择的悖论。本工作聚焦于个性化序列推荐，系统不仅考虑用户当前的、不断演变的会话上下文，还考虑其累积的历史行为，以提供高度相关且时效性的推荐。通过对多样化真实数据集进行的实证研究，我们观察并量化了短期（即时且瞬时）偏好和长期（持久且稳定）偏好对用户历史交互的存在及影响。基于这些洞见，我们提出了一种将短期和长期偏好组合以提升推荐性能的框架，称为变体专家组合（Compositions of Variant Experts, CoVE）。该新框架通过使用不同专门的推荐模型（即专家）来动态集成短期和长期偏好。大量实验展示了所提出方法的有效性，消融研究进一步探讨了不同专家类型的影响。
引用
@article{arxiv.2506.23170,
title = {Compositions of Variant Experts for Integrating Short-Term and Long-Term Preferences},
author = {Jaime Hieu Do and Trung-Hoang Le and Hady W. Lauw},
journal= {arXiv preprint arXiv:2506.23170},
year = {2026}
}