推理时特征注入：面向实时推荐新鲜度的轻量级方法
机器学习
2025-12-25 v1
摘要
许多长篇视频流媒体推荐系统依赖批处理训练的模型和批处理更新的特征，其中用户特征每日更新且在全天候静态提供。虽然高效，但该方法未能纳入用户最近的行为，常导致推荐结果陈旧。本文提出一种轻量级、模型无关的方法，用于实现日内个性化，通过在推理时选择性地注入最近的观看历史。该方法在推理时选择性地覆盖过时的用户特征，允许系统即时适应不断演变的偏好。通过将个性化反馈循环从日级缩短至日内，我们观察到关键用户参与度指标实现了显著的 0.47% 提升，该增幅在近期实验周期中位列前列。据我们了解，这是首个证明日内个性化可在长篇视频流媒体服务中产生实质性影响的实证研究，为无需模型再训练的全实时架构提供了具有吸引力的替代方案。
引用
@article{arxiv.2512.14734,
title = {Inference Time Feature Injection: A Lightweight Approach for Real-Time Recommendation Freshness},
author = {Qiang Chen and Venkatesh Ganapati Hegde and Hongfei Li},
journal= {arXiv preprint arXiv:2512.14734},
year = {2025}
}
备注
3rd IEEE International Conference on Artificial Intelligence, Blockchain, and Internet of Things, September 06-07, 2025, Central Michigan University, USA