面向个人化移动 AI 应用的用户自适应时空掩码

个人化移动人工智能应用已广泛部署，但预期在稀疏且不规则的历史记录和持续演化的时空背景下推断用户行为。这种设置在即时性适应最近行为、抵抗瞬时噪声的稳定性以及支持长期预测和冷启动用户的通用性之间产生根本性张力。大多数现有方法最多满足这三项要求中的两项，导致数据稀缺、非平稳性个人化情境下的固有不可能三角形。为解决这一挑战，我们将移动行为建模为部分观测时空张量，将短期适应、长期预测和冷启动推荐统一为条件完成问题，其中特定于用户和任务的掩码指定哪些坐标被视为证据。我们提出了 U-MASK，一种用户自适应时空掩码方法，根据用户可靠性和任务灵敏度分配证据预算。为在稀疏观测下实现掩码生成，U-MASK 通过 U-SCOPE 从应用和位置历史记录中学习紧凑、任务无关的用户表示，作为唯一的语义条件信号。随后的共享扩散变换器执行掩码引导的生成式完成，同时保持观察证据的保存，因此个人化和任务差异完全由掩码和用户表示控制。实验在真实世界移动数据集上表明，与最先进的方法相比，在短期预测、长期预测和冷启动情境下均实现一致的改进，在数据稀缺情况下的提升尤为显著。代码和数据集将在 https://github.com/NICE-HKU/U-MASK 上提供。