STAN: Stage-Adaptive Network for Multi-Task Recommendation by Learning User Lifecycle-Based Representation

前言

该文章介绍了一种用于多任务推荐的自适应网络STAN，它基于用户生命周期来学习用户表示。文章提到了该研究成果将在RecSys 2023上发表，并且是由Shopee公司的研究团队完成的。

论文提出了一种名为STAN（Stage-Adaptive Network，即阶段自适应网络）的新型框架，用于增强多任务推荐系统。STAN框架通过引入“用户生命周期”的概念，来改善推荐系统的性能。用户生命周期包含多个阶段，每个阶段用户对不同任务的偏好会有所不同。

主要内容

  • 用户生命周期概念：论文提出了考虑用户在不同生命周期阶段的偏好变化，以更好地捕捉用户的兴趣。

  • STAN框架：该框架首先基于学习到的用户偏好来识别潜在的用户生命周期阶段，然后使用这些阶段表示来增强多任务学习的性能。

  • 多任务学习：STAN旨在处理诸如点击率（CTR）、停留时间（Staytime）和转化率（CVR）等推荐系统中常见的多个任务。

  • 实验结果：论文报告称，STAN在公共和工业数据集上的表现均优于现有的最先进方法，并且在线上A/B测试中显示出每位用户的停留时间增加了3.05%，转化率增加了0.88%。

  • 线上A/B测试：模型经过线上测试，表现出在用户停留时间和转化率方面的显著提升，证明了其在提高多任务推荐系统效率方面的有效性。

  • CCS概念：论文归类于信息系统、协同过滤和机器学习领域，特别关注多任务学习和通过分类的监督学习。

STAN框架

  • 用户生命周期阶段识别：STAN框架首先识别用户的潜在生命周期阶段。这些阶段基于用户偏好的学习和变化，反映了用户在不同时间点对推荐系统内不同任务的偏好。

  • 基于生命周期的表示学习：在识别了用户所处的生命周期阶段后，STAN利用这些信息来学习用户的表示，这些表示能够捕捉用户对推荐系统内不同任务的个性化偏好。

  • 多任务学习性能提升：STAN框架通过将用户阶段信息整合到多任务学习过程中，使得模型能够针对每个用户的当前阶段和偏好，动态调整对各个推荐任务的关注和优化。

  • 损失函数设计：STAN框架采用了一个综合损失函数，它结合了多任务预测网络的损失和阶段检测网络的损失。这个损失函数利用用户对不同任务的偏好来调整各个任务的优化权重。

  • 自适应任务关注：STAN框架通过用户偏好学习模块和潜在用户阶段表示模块，动态适应用户的任务偏好和阶段变化。这允许模型在训练过程中根据用户的当前阶段调整各个任务的损失，从而减少负迁移或跷跷板现象的风险。

  • 实验验证：论文中的实验结果表明，STAN框架在公共数据集和工业数据集上的表现均优于现有的最先进方法。此外，通过线上A/B测试，STAN在实际应用中也显示出显著的性能提升。

  • 实际应用：STAN框架不仅在理论上具有创新性，而且在实际的电商直播平台推荐系统中得到了验证和应用，证明了其在处理用户多样化需求和提升推荐系统效率方面的有效性。

未来工作：论文提出，未来的工作将探索STAN框架在更广泛的应用场景中的适用性，包括在线社交网络、广告和搜索系统等。

STAN框架的提出，为理解和建模用户在推荐系统中的动态行为提供了一种新的方法，强调了个性化和动态适应用户需求的重要性。

参考

  • arxiv
  • https://zhuanlan.zhihu.com/p/640976306