抖音：Interest Clock 论文解读
内容提要
抖音发布的论文发现用户的偏好随时间波动，推荐模型需要感知时间信息以提供个性化服务。论文提出了一种兴趣时钟方法，将用户兴趣按小时分割并存储在样本中。实验结果表明，高斯兴趣时钟优于其他方法。在线评估结果显示，兴趣时钟在排名任务中提升了用户活跃度和持续时间。然而，不同场景可能需要不同的时间感知建模方式，长期漂移也可能需要不同的时间建模策略。
延伸解读
实时训练下的时间编码挑战
文章指出，现代推荐系统采用实时训练（如抖音每分钟训练一次），导致某一时刻的所有样本具有相同时间特征，模型容易只拟合当前时间而遗忘其他时间信息，即灾难性遗忘。兴趣时钟通过将24小时用户兴趣编码为离散特征，使不同用户在不同时刻有不同的时间感知偏好嵌入，覆盖整个特征空间，从而解决周期性在线模式和不稳定问题。
高斯平滑的有效性与局限
实验表明，高斯兴趣时钟在离线AUC和UAUC上显著优于朴素时钟和自适应时钟，在线A/B测试中提升活跃天数和持续时间。高斯平滑能缓解兴趣突变问题，但文章也指出，该方法适用于音乐、短视频等持续类推荐场景，对于查询、新闻等场景可能需要不同的时间感知建模方式。
长期兴趣漂移的未解难题
文章主要关注天内兴趣变化，但用户的基础兴趣也会随时间推移发生漂移。这种长期漂移可能需要不同的时间建模策略，例如结合更长时间跨度的序列建模或动态兴趣演化机制。当前兴趣时钟仅按小时分割，未涉及跨天或更长期的时间模式，这是未来值得探索的方向。
Q&A
抖音的兴趣时钟方法是如何工作的？
兴趣时钟方法将用户兴趣按小时分割并存储在样本中，以便推荐模型能够感知时间信息，提供个性化服务。
高斯兴趣时钟与其他时间编码方法相比有什么优势？
实验结果表明，高斯兴趣时钟在用户活跃度和持续时间方面显著优于其他时间编码方法。
抖音的推荐系统如何处理用户偏好的时间变化？
抖音的推荐系统通过实时训练和兴趣时钟方法，能够动态感知用户偏好的时间变化，从而提供更个性化的推荐。
兴趣时钟方法在实际应用中有哪些效果？
在线A/B测试显示，兴趣时钟方法显著提升了用户的活跃天数和持续时间，增强了用户参与度。
不同场景下的时间建模策略有什么不同？
不同场景可能需要不同的时间感知建模方式，例如，音乐推荐和新闻推荐可能采用不同的时间编码策略。
抖音的研究使用了什么样的数据集？
研究使用了DouyinMusic-20B数据集，包含超过200亿个样本，涵盖了用户的多种特征。
