QIN
·
抖音：Interest Clock 论文解读
💡
原文中文，约3500字，阅读约需9分钟。
📝
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。
🎯
关键要点
- 抖音的研究表明用户偏好随时间波动，推荐模型需感知时间信息以提供个性化服务。
- 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。
- 实验结果显示，高斯兴趣时钟优于其他时间编码方法。
- 在线评估结果表明，兴趣时钟在排名任务中提升了用户活跃度和持续时间。
- 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。
- 早期推荐系统采用每日训练框架，现代推荐模型则采用实时训练。
- 兴趣时钟方法解决了实时流式推荐系统中时间编码的周期性在线模式和不稳定问题。
- 实验使用了DouyinMusic-20B数据集，包含超过200亿个样本。
- 高斯兴趣时钟在在线A/B测试中显著提升了活跃天数和持续时间。
- 推荐系统提供的内容分布随时间变化，用户偏好在一天内遵循动态模式。
- 高斯分布平滑方法适用于持续类推荐场景，但其他场景可能需要不同的时间建模方式。
❓
延伸问答
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。
➡️
