ES
SPAR adapta cada elección de recomendación al historial del usuario
SPAR: Stepwise Personalized Autoregressive Recommendation with Prefix-Balanced Semantic IDs · arXiv:2610.27898
En palabras sencillas
SPAR es un sistema de recomendaciones que elige un elemento prediciendo una secuencia de códigos. A medida que cada elección reduce las opciones, consulta las partes del historial de actividad de una persona que corresponden a ese punto de la secuencia.
También organiza los códigos para reducir el predominio de las ramas con muchas interacciones pasadas. En pruebas sin conexión con datos de Youku, SPAR incluyó en promedio más elementos siguientes entre sus recomendaciones que la mejor alternativa probada, OneRec. En otra prueba de siete días en la página de inicio de Youku, se informó que SPAR obtuvo una mayor conversión a reproducción y más tiempo de visualización que el modelo Base de producción.
La investigación
Cuando un sistema de recomendaciones construye una elección paso a paso, ¿qué debería hacer si las pistas útiles sobre una persona cambian a medida que se reducen las opciones y las rutas populares ya concentran mucho más tráfico pasado?
Un resumen fijo puede pasar por alto información necesaria para una elección posterior, mientras que la popularidad puede desplazar opciones menos frecuentes pero pertinentes.
SPAR combina la recuperación del historial adaptada a cada prefijo generado del código de un elemento con un método que limita el desequilibrio del tráfico pasado entre opciones hermanas.
Los investigadores evaluaron SPAR con datos de producción de Youku mediante Hit Ratio, la fracción de los siguientes elementos evaluados que aparece entre las K recomendaciones principales. Para K de 10, 20, 50 y 100, el resultado de SPAR fue, en promedio, un 2.66% superior al de OneRec, la mejor referencia informada. Esto respalda una mejora de recuperación sin conexión en ese contexto.
En una prueba de siete días en la página de inicio de Youku también se informó que SPAR superó al modelo Base de producción en conversión a reproducción y medidas de tiempo de visualización. La comparación sin conexión y la prueba en línea aportan evidencia dentro de sus respectivos contextos.
La comparación de recuperación se hizo sin conexión y usa datos de producción de Youku; los resultados de interacción en línea proceden de una prueba de siete días en la página de inicio de Youku.
La evidencia no establece cómo funciona SPAR en otras plataformas ni si RQ-PIB equilibra la exposición futura a los elementos.
Qué muestran las pruebas
- La elección cambia en cada paso
SPAR (Stepwise Personalized Autoregressive Recommendation with Prefix-Balanced Semantic IDs) es un sistema generativo de recomendaciones: elige un elemento prediciendo, uno por uno, los tokens de su código. El reto es que la información útil sobre el usuario puede cambiar con cada token, a medida que se reducen las opciones restantes, mientras que las rutas con más interacciones históricas pueden predominar sobre sus ramas hermanas.
SPAR combina la recuperación del historial adaptada a cada paso con un método para equilibrar esas ramas.
- El tráfico pasado satura las ramas
La carga de interacciones históricas estaba muy concentrada en las rutas de elementos de Youku: el 1% de las rutas con mayor carga representó el 47.3%, el 63.17% y el 71.26% de la carga total en los niveles de prefijo uno, dos y tres.
Esto describe el tráfico pasado, no la exposición futura. En comparaciones sin conexión de la construcción de SID, RQ-PIB redujo la proporción de tráfico de la rama hija más grande en cada nivel frente al RQ-KMeans convencional, lo que respalda que el equilibrio local por prefijo redujo la concentración medida.
- El prefijo guía la recuperación del historial
El PATH Decoder de SPAR recupera el historial de largo plazo del usuario según el prefijo generado hasta ese momento y lo combina con el comportamiento reciente, el perfil y el contexto de la solicitud. En una ablación sin conexión, los investigadores compararon recuperar ese historial en cada paso con recuperarlo una vez y reutilizarlo.
La recuperación paso a paso produjo una ganancia media de 3.55 puntos porcentuales de Hit Ratio frente a Base en cuatro tamaños de lista, frente a 2.70 puntos al reutilizar la recuperación inicial. Esto respalda adaptar el acceso al historial a medida que se reducen las opciones.
- Mejora la recuperación sin conexión
Con datos de producción de Youku evaluados sin conexión, el Hit Ratio de SPAR fue, en promedio, un 2.66% superior al de OneRec, la mejor referencia informada, para listas de los 10, 20, 50 y 100 primeros elementos. Hit Ratio mide la fracción de los siguientes elementos evaluados que aparece entre las K recomendaciones principales.
Esta comparación principal respalda una mejora general de recuperación en los datos y el protocolo probados; la fuente no establece que los datos de entrenamiento o los estados iniciales fueran idénticos.
- Resultados de alineación y en línea
Un control aparte comparó el modelo completo de SPAR tras el entrenamiento supervisado con el mismo punto de control después de añadir entrenamiento de alineación con preferencias. Con el mapeo SID, la arquitectura del modelo y la configuración de decodificación sin cambios, el modelo alineado ganó, en promedio, 0.78 puntos porcentuales de Hit Ratio para cuatro tamaños de lista.
En una prueba de siete días en la página de inicio de Youku, SPAR también obtuvo una mayor conversión a reproducción, más tiempo medio de reproducción por usuario y más tiempo total de uso que el modelo Base de producción. Estos hallazgos tienen alcances distintos: uno corresponde a la evaluación sin conexión y el otro a la prueba en línea.
Detalles
- Autores del paper original
- Chunrui Zhang, Gaoyun Lin, Chang Zhou, Zheng Hu, Qiran Song
- Enviado a arXiv
- Licencia
- arXiv non-exclusive