论文地址
[2404.19357] Interest Clock: Time Perception in Real-Time Streaming Recommendation System
论文总结
《Interest Clock: Time Perception in Real - Time Streaming Recommendation System》 作者为Yongchun Zhu、Jingwu Chen†、Ling Chen、Yitan Li、Feng Zhang和Zuotao Liu，来自Douyin Group。
研究背景：
- 用户偏好随时间动态变化，但现有推荐方法大多关注静态个性化偏好建模，忽略了偏好的动态性。
- 时间感知在推荐系统中是具有挑战性的问题，现有的时间编码方法在实时流媒体推荐系统中存在局限性。
相关工作：
- 时间编码是行业中广泛采用的感知时间信息的方法，但将时间转换为离散嵌入，在现代实时流媒体推荐系统中效果不佳。
- Zhang等人针对外卖推荐，将一天分为四个时期并使用不同的图模型，但难以在其他场景中部署。
- 工业工程师通常在序列方法中编码时间间隔，只能更好地学习序列信息的重要性，无法直接建模时间信息。
提出方法：
- Interest Clock：将用户24小时的个性化用户兴趣编码为一个时钟。首先，按小时计算用户过去的兴趣并存储时间感知特征，然后使用经验高斯分布平滑和聚合这些特征，得到最终的兴趣时钟嵌入，用于最终预测。
实验内容：
- 数据集：使用大规模工业推荐数据集DouyinMusic - 20B，包含超过200亿个样本，涵盖8周时间，前6周为训练集，接下来1周为验证集，剩余1周为测试集。
- 在线A / B测试：在Douyin Music App中进行了一个多月的在线A / B测试，基于Active Days和Duration两个主要指标评估模型性能，还使用Like、Finish、Comment和Play等额外指标作为约束指标。结果表明，Interest Clock对所有用户的Active Days和Duration有显著提升，分别为+ 0.509％和+ 0.758％，且能改善不同活跃度用户的推荐性能。
- 离线结果：采用AUC和UAUC作为离线指标，结果显示Gaussian Interest Clock显著优于最佳基线，Adaptive Clock的UAUC比基线差，Gaussian Clock优于Naive Clock，证明经验高斯权重有效。
- 分析：可视化了不同时间音乐情绪标签的分布，发现推荐系统提供的内容分布随时间变化，用户偏好呈现动态模式，且总体内容分布符合直觉。
结论：
- Interest Clock能使推荐系统感知时间变化，将用户的时间感知偏好编码为时钟，获得小时级个性化偏好特征，使用高斯分布进行平滑和聚合。
- 离线实验证明了其优越性能，在线A / B测试中对用户活跃天数和应用时长分别有+ 0.509％和+ 0.758％的提升，展示了其在在线系统中的有效性和通用性。
- Interest Clock已部署在Douyin Group的多个应用的排名任务中。
参考
SIGIR'24抖音|兴趣时钟建模用于流媒体推荐Interest Clock: Time Perception in Real-Time Streaming Recommendation System