Interest Clock: Time Perception in Real-Time Streaming Recommendation System

用户的偏好在一天中呈现出动态的模式，例如，早上8点，用户可能更喜欢阅读新闻，而晚上8点，他们可能更喜欢观看电影。时间建模旨在使推荐系统感知时间变化，以捕捉用户随时间变化的动态偏好，这是推荐系统中一个重要且具有挑战性的问题。特别是，工业界中的流媒体推荐系统，只有当前时刻的可用样本，对于时间建模提出了更大的挑战。目前，流媒体推荐系统缺乏有效的时间建模方法。在本文中，我们提出了一种有效且通用的方法Interest Clock，用于感知推荐系统中的时间信息。Interest Clock首先将用户的时间感知偏好编码成一个时钟（小时级个性化特征），然后使用高斯分布将它们平滑聚合到最终的兴趣时钟嵌入中，根据当前时间进行最终的预测。通过在基本模型中使用Interest Clock，我们进行了在线A/B测试，在用户活跃天数和应用程序持续时间上分别获得了+0.509％和+0.758％的改进。此外，扩展的离线实验也显示出了改进。Interest Clock已经部署在抖音音乐应用程序上。

如何解决流媒体推荐系统中的时间建模问题？

使用Interest Clock方法将用户的时间感知偏好编码为一个时钟，并使用高斯分布将它们平滑聚合到当前时间的最终兴趣时钟嵌入中进行预测。

通过在线A/B测试，Interest Clock在用户活跃天数和应用程序持续时间上分别实现了+0.509％和+0.758％的改进。论文还展示了扩展的离线实验结果。

近期的相关研究包括使用神经网络进行时间建模的论文《Time-aware Neural Attentive Model for Sequential Recommendation》和使用深度卷积网络进行时间建模的论文《Dynamic Time-aware Convolutional Neural Network for Continuous Gesture Recognition》。