面向顺序推荐的用户兴趣转移的测试时对齐
信息检索
2025-04-03 v1
摘要
顺序推荐是现代推荐系统中的关键技术，旨在基于用户历史行为预测其可能下一次交互的物品。然而，现实场景往往是动态的，受用户兴趣转移的影响。传统的顺序推荐模型通常在静态的历史数据上训练，难以适应此类转移，导致测试阶段性能显著下降。最近，测试时训练（TTT）作为一种新兴范式，使预训练模型能够在测试阶段通过利用无标签样本来动态适应测试数据。然而，如何将TTT应用于有效跟踪和应对推荐系统中的用户兴趣转移，仍是一个开放且具有挑战性的问题。关键挑战包括如何有效地捕获时间信息以及在测试阶段明确识别用户兴趣转移。为此，我们提出了TARec，一种 novel model leveraging state space model for TTT by introducing two Test-Time Alignment modules tailored for sequential recommendation, 有效捕获用户兴趣模式随时间分布的转移。具体而言，TARec 将绝对时间间隔与模型自适应学习间隔对齐，以捕获时间动态，并引入兴趣状态对齐机制，以理论保证有效且明确地识别用户兴趣转移。这两个对齐模块使模型参数能够以自监督方式在测试期间进行高效且增量式更新，从而提升在线推荐的预测性能。广泛的在三个基准数据集上的评估表明，TARec 实现了最先进的性能，稳健地缓解了用户兴趣转移所带来的挑战。
引用
@article{arxiv.2504.01489,
title = {Test-Time Alignment for Tracking User Interest Shifts in Sequential Recommendation},
author = {Changshuo Zhang and Xiao Zhang and Teng Shi and Jun Xu and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2504.01489},
year = {2025}
}