Trinity：大规模冷启动用户情景感知推荐框架
机器学习
2026-03-03 v1
摘要
新情景下的早期用户会加剧冷启动挑战，但 prior works 常仅通过模型架构解决问题的部分方面。以取代既有产品的全新用户体验涉及稀疏行为信号、低参与度群体以及模型性能不稳定等挑战。我们认为，有效的推荐需要特征工程、模型架构与稳定模型更新的协同集成。本文提出 Trinity，体现了这一原则。Trinity 在确保预测效果和准确性的同时，从现有情景中提取有价值信息。本文展示了 Trinity 应用于数十亿用户微软产品迁移的案例。离线与在线实验均表明，该框架在解决新用户新情景组合挑战方面实现了显著提升。
引用
@article{arxiv.2603.00502,
title = {Trinity: A Scenario-Aware Recommendation Framework for Large-Scale Cold-Start Users},
author = {Wenhao Zheng and Wang Lu and Fangshuang Tang and Yiyang Lu and Jun Yang and Pengcheng Xiong and Yulan Yan},
journal= {arXiv preprint arXiv:2603.00502},
year = {2026}
}