Trinity: Sincretizando Interesses Multi-/Long-Tail/Longo Prazo Tudo em Um

A modelagem de interesses em sistemas de recomendação tem sido um tópico constante para melhorar a experiência do usuário, e tarefas típicas de modelagem de interesses (por exemplo, interesse múltiplo, interesse de cauda longa e interesse de longo prazo) foram investigadas em muitos trabalhos existentes. No entanto, a maioria deles considera apenas um interesse isoladamente, enquanto negligencia suas inter-relações. Neste artigo, argumentamos que essas tarefas sofrem de um problema comum de "amnésia de interesse", e existe uma solução para mitigar isso simultaneamente. Propomos uma estrutura nova e unificada na fase de recuperação, "Trinity", para resolver o problema da amnésia de interesse e melhorar múltiplas tarefas de modelagem de interesse. Construímos um sistema de clustering em tempo real que nos permite projetar itens em clusters enumeráveis e calcular histogramas de interesse estatísticos sobre esses clusters. Com base nesses histogramas, o Trinity reconhece temas subentregues e permanece estável diante de tópicos quentes emergentes. Seus recuperadores derivados foram implantados no sistema de recomendação do Douyin, melhorando significativamente a experiência do usuário e a retenção. Acreditamos que essa experiência prática pode ser bem generalizada para outros cenários.