时间决定一切：面向点击-through 率预测的新型实时长短期用户兴趣模型
信息检索
2025-11-11 v1 机器学习
摘要
点击-through 率 (CTR) 预测是在线个人化平台中的核心任务。CTR 预测的关键步骤是学习准确的用户表示来捕获他们的兴趣。一般情况下，用户表达的兴趣是随时间变化的，即用户在不同时间会激活不同的兴趣。然而，大多数先前的 CTR 预测方法忽略了已激活兴趣与发生时间之间的关联，导致它们实际学习的是用户在所有时间表达的兴趣的混合物，而非特定预测时间的实时兴趣。为捕获已激活兴趣与发生时间之间的关联，本文从整个时间轴的角度考察用户的兴趣演变，提出两种规律：周期性规律和时间点规律。基于这两种规律，我们提出一种新型的时间感知长短期用户兴趣建模方法，以在不同时间建模用户的动态兴趣。在公开数据集以及工业数据集上进行大量实验验证了利用这两种规律的有效性，并展示了我们的方法相对于其他最先进方法的优势。
引用
@article{arxiv.2511.06213,
title = {Time Matters: A Novel Real-Time Long- and Short-term User Interest Model for Click-Through Rate Prediction},
author = {Xian-Jin Gui},
journal= {arXiv preprint arXiv:2511.06213},
year = {2025}
}
备注
This work was doned when the first author interned at Alibaba Group