STAN：基于用户生命周期表征学习多任务推荐的阶段自适应网络
信息检索
2023-06-22 v1
摘要
推荐系统在许多在线平台中发挥着至关重要的作用，其主要目标是满足并留住用户。由于直接优化用户留存具有挑战性，常采用多种评估指标。现有方法通常将这些评估指标的优化表述为多任务学习问题，但往往忽视用户对不同的任务偏好是个性化的且随时间变化。识别并追踪用户偏好的演化可带来更好的用户留存。为解决此问题，我们引入“用户生命周期”概念，其由多个阶段组成，各阶段以用户对不同任务的不同偏好为特征。我们提出一种新颖的阶段自适应网络（STAN）框架来建模用户生命周期阶段。STAN首先基于学习到的用户偏好识别潜在用户生命周期阶段，然后利用阶段表征提升多任务学习性能。我们使用公开与工业数据集的实验结果表明，相较于最先进方法，所提模型显著提升了多任务预测性能，凸显了在推荐系统中考虑用户生命周期阶段的重要性。此外，在线A/B测试显示我们的模型优于现有模型，在每用户停留时长上提升3.05%、在CVR上提升0.88%。这些结果表明我们的方法有效提升了多任务推荐系统的整体效率。
引用
@article{arxiv.2306.12232,
title = {STAN: Stage-Adaptive Network for Multi-Task Recommendation by Learning User Lifecycle-Based Representation},
author = {Wanda Li and Wenhao Zheng and Xuanji Xiao and Suhang Wang},
journal= {arXiv preprint arXiv:2306.12232},
year = {2023}
}