Автор: У Ицин Подразделение: Институт вычислительных технологий Китайской академии наук

TLDR: В этой статье интерпретируется статья команды Douyin. Эта работа в основном сосредоточена на решении проблемы моделирования временной информации в системах потоковых рекомендаций. Она была принята SIGIR2024. Industry Отслеживание набора персонала,Часы интереса в музыкальной сцене TikTok онлайнэксперимент,Достигнут доход в размере 0,509 % от количества активных дней пользователей (LT) и 0,758 % от продолжительности (самый крупный доход от одной модели в 2023 году). Этот метод полностью запущен.

Документ: arxiv.org/pdf/2404.19357.

Предыстория

Персональные интересы и предпочтения пользователей будут меняться с течением времени. Например, на платформе коротких видео пользователи могут предпочитать короткие информационные видеоролики в 9 часов утра, а пользователи могут предпочитать короткие развлекательные видеоролики в 21:00 вечера; музыкальная платформа, в 9 утра. Пользователи могут предпочесть диджеев и снотворную музыку в 21 час вечера. Однако большая часть существующих работ над системами рекомендаций фокусируется только на статических предпочтениях пользователей и игнорирует изменения в предпочтениях пользователей с течением времени в течение дня.

В промышленности В рекомендациях состояние времени особенно важно, но Система Моделирование времени в разработке рекомендаций всегда было очень сложной проблемой. На вынос По рекомендации Чжан и др. [1] предложили разделить день на четыре периода: утро, полдень, вечер и позднюю ночь, и использовать разные изображения Модели для разных периодов времени. Однако рекомендации по выбору еды на вынос, естественно, различаются по периодам времени, соответствующим завтраку, обеду, ужину и полуночным перекусам, поэтому этот метод не подходит для других тем. помощь не универсальна. Кроме того, при добавлении времени Таким образом, характеристики последовательности пробелов помогают модели воспринимать время – это распространенный метод.,Этот тип метода может помочь Модели узнать важность различных позиций в последовательности.,Но динамические настройки пользователя по-прежнему недоступны. Более распространенный в отрасли метод моделирования времени отправляет n-й час дня в Модель как отдельное вложение (24 часа в день соответствуют 24 вложениям).,Это называется методом кодирования времени.

Ранее большинство систем Рекомендации выбрать пакетное обучение, разбить выборки на сутки и затем обучить. Метод кодирования времени находится в Системе пакетного обучения. Хорошие результаты были достигнуты в консультировании. Однако в последние годы все больше и больше людей в этой отрасли Обновления системы потокового обучения. Выборки генерируются в реальном времени и используются для обучения. В результате Модель видит только одну временную характеристику в определенный момент времени. Например, в период с 8 до 9 часов. , час всех образцов Встраивание точно такое же, Модель не видела других временных характеристик, а Система Служба генерирует огромные объемы данных каждую минуту,Заставляет Модель забыть другие временные характеристики. С точки зрения апостериорной перспективы,Модель предсказывает, что будет скачок по всей точке.

Для решения проблемы осведомленности о времени в потоковых рекомендательных системах в данной статье предлагается метод процентных часов (Interest Clock). Часы). Во-первых, прошлые предпочтения по интересам пользователя собираются по часам, и предпочтения по интересам передаются в часы для получения функций предпочтений по интересам на часовом уровне. Однако процентные предпочтения пользователей не меняются, поэтому для плавного агрегирования процентных предпочтений на уровне часов используется распределение Гаусса. Агрегированное представление часовых процентов подается в модель глубины для окончательного прогноза. Этот метод преобразует информацию о времени в функции метки предпочтений пользователя. Поскольку предпочтения каждого пользователя будут разными в каждый момент, функции, видимые Моделью в каждый момент, могут охватывать все пространство функций, тем самым решая проблему часов. Проблема встраивания в потоковую среду.

Модель & разработка функций

Сначала извлеките историю потребления пользователя за последние 30 дней и посчитайте его предпочтения в отношении интересов каждый час. Конкретная формула расчета предпочтений выглядит следующим образом:

Каждый образец имеет разные характеристики, такие как жанр, язык, настроение и т. д. В соответствии с приведенной выше формулой получается оценка каждой характеристики для каждого часа, а первые 3 характеристики жанра, языка и настроения для каждого часа сохраняются как особенности часов.

Модельрамка представлена ​​на картинке выше. Распределение Гаусса используется для плавного агрегирования характеристик предпочтений пользователей за 24 часа для получения значения процентных часов, отправляемого в глубокую обработку для сети окончательного результата. прогнозирования.

эксперимент

Онлайн-эксперимент получил 0,509% дохода за активные дни пользователя (LT) и 0,758% дохода от продолжительности времени.

Анализ показал, что существуют определенные различия в настроении песен, которые предпочитают пользователи в разные периоды времени.

[1] Zhang et al. "Modeling dual period-varying preferences for takeaway recommendation." KDD. 2023.