面向本地生活服务的动态遗忘与时空周期兴趣建模
信息检索
2025-11-04 v2 人工智能
摘要
在数字经济蓬勃发展的背景下，推荐系统作为连接用户与众多服务的关键环节，面临着在本地生活服务平台上建模用户行为序列的挑战，包括长序列稀疏和强时空依赖性。这些挑战可通过类比人类记忆过程中的遗忘来解决，因为用户对推荐内容的反应遵循新鲜效应和记忆的循环性。为此，本文引入遗忘曲线，提出面向本地生活服务推荐的时空周期兴趣建模方法（STIM）。STIM 集成了三个关键组件：基于遗忘曲线的动态掩码模块，用于提取近期时空特征和周期时空特征；一种查询驱动的专家混合（MoE）方法，可在不同动态掩码下自适应激活专家网络，从而实现时间、位置和物品的协作建模；以及层次化多兴趣网络单元，通过建模用户近期行为中浅层语义与深层语义之间的层次化相互作用来捕获多兴趣表征。通过引入 STIM 方法，我们开展了在线 A/B 测试，实现了毛利交易量（GTV）提升 1.54%。此外，扩展的离线实验也显示出改进。STIM 已在大型本地生活服务推荐系统中部署，服务数亿日活用户于核心应用场景。
引用
@article{arxiv.2508.02451,
title = {Dynamic Forgetting and Spatio-Temporal Periodic Interest Modeling for Local-Life Service Recommendation},
author = {Zhaoyu Hu and Jianyang Wang and Hao Guo and Yuan Tian and Erpeng Xue and Xianyang Qi and Hongxiang Lin and Lei Wang and Sheng Chen},
journal= {arXiv preprint arXiv:2508.02451},
year = {2025}
}