长期兴趣时钟：流式推荐系统中细粒度时间感知
信息检索
2025-01-28 v1 人工智能
摘要
用户兴趣在一天中呈现动态模式，例如，用户在上午8点通常喜欢柔和的音乐，但在晚上10点可能转向环境音乐。为建模一天中的动态兴趣，传统日训练的工业推荐系统广泛使用小时嵌入。然而，其离散性会导致近期流式推荐系统中的周期性在线模式和不稳定性。最近，Interest Clock在流式推荐系统中取得了显著的性能。然而，它以粗粒度方式建模用户兴趣，仅编码来自短期行为的24小时离散兴趣。本文提出一种面向流式推荐系统的时间感知细粒度方法，称为长期兴趣时钟（LIC）。LIC的关键思想是考虑当前时间（例如上午8点）附近长期行为的相关性，以计算当前用户兴趣。LIC包含两个模块：（1）时钟-GSU通过搜索长期行为，使用来自候选项目和当前时间的查询信息检索子序列；（2）时钟-ESU采用时间间隔感知注意力机制对齐子序列与候选项目。通过时钟-GSU和时钟-ESU，LIC能够从长期行为中捕获用户的动态细粒度兴趣。我们进行在线A/B测试，在用户活跃天数方面实现了+0.122%的提升。此外，扩展的离线实验也显示出改进。长期兴趣时钟已集成到抖音音乐App的推荐系统中。
引用
@article{arxiv.2501.15817,
title = {Long-Term Interest Clock: Fine-Grained Time Perception in Streaming Recommendation System},
author = {Yongchun Zhu and Guanyu Jiang and Jingwu Chen and Feng Zhang and Xiao Yang and Zuotao Liu},
journal= {arXiv preprint arXiv:2501.15817},
year = {2025}
}
备注
Accepted by WWW2025