Next Interest Flow：建模所有领域移动轨迹的推荐系统生成式预训练范式
信息检索
2026-04-15 v2
摘要
点击-through rate（CTR）预测长期以判别式范式为主，这些范式在候选特定子空间内优化局部决策边界。然而，这些模型常常无法捕捉用户意图在所有领域移动轨迹上的全局联合分布和连续结构演化。虽然生成式方法试图建模全局转换模式，但现有方法因将细粒度电子商务信号重新映射到离散语言或类别空间而导致信息压缩，无法保持兴趣轨迹的拓扑忠实性。为克服这些限制，我们提出了一种新型生成式预训练范式，将用户意图建模为高维潜在兴趣流形上持续演化的轨迹，称为 Next Interest Flow（NIF）。我们引入运动约束来控制这种流动：通过切向空间分解实现兴趣多样性，而通过测地正则化确保轨迹平滑。为弥合生成式预训练与判别式微调之间目标不匹配，我们提出了双向对齐策略以同步语义空间。此外，我们开发了时间顺序成对（TSP）机制以在判别式框架中植入时间因果性。我们提出了 All-domain Moveline Evolution Network（AMEN），一个统一的框架实现了该管道。大规模工业数据集（67 亿实例）和淘宝上的在线 A/B 测试结果表明，AMEN 在性能上具有优势，实现了 +0.87 个百分点的 AUC 提升和 +11.6% 的 CTCVR 提升。
引用
@article{arxiv.2510.11317,
title = {Next Interest Flow: A Generative Pre-training Paradigm for Recommender Systems by Modeling All-domain Movelines},
author = {Chen Gao and Zixin Zhao and Lv Shao and Tong Liu},
journal= {arXiv preprint arXiv:2510.11317},
year = {2026}
}