IT
SPAR adatta ogni scelta alla cronologia dell’utente
SPAR: Stepwise Personalized Autoregressive Recommendation with Prefix-Balanced Semantic IDs · arXiv:2610.27898
In parole semplici
SPAR è un sistema di raccomandazione che sceglie un elemento prevedendo una sequenza di codici. Man mano che le opzioni si restringono, cerca nella cronologia di una persona le parti pertinenti a quel punto della sequenza.
Inoltre, organizza i codici per ridurre il predominio dei rami con molte interazioni passate. Nei test offline sui dati di Youku, in media SPAR ha incluso più elementi successivi tra le raccomandazioni rispetto alla migliore alternativa valutata, OneRec.
In un test separato di sette giorni sulla homepage di Youku, SPAR ha registrato tassi di conversione in riproduzione e tempi di visione più alti rispetto al modello Base in produzione.
La ricerca
Quando un sistema di raccomandazione sceglie un elemento un passo alla volta, come dovrebbe comportarsi se gli indizi utili su una persona cambiano man mano che le opzioni si restringono e i percorsi popolari accumulano molto più traffico passato?
Un riepilogo fisso può non includere le informazioni utili per una scelta successiva, mentre la popolarità può mettere in secondo piano elementi meno frequenti ma pertinenti.
SPAR combina il recupero della cronologia adattato a ogni prefisso generato del codice dell’elemento con un metodo che limita gli squilibri di traffico passato tra scelte sorelle.
I ricercatori hanno valutato SPAR sui dati di produzione di Youku misurando l’Hit Ratio, cioè la quota degli elementi successivi valutati che compare tra le prime K raccomandazioni. Per K pari a 10, 20, 50 e 100, il risultato di SPAR è stato in media del 2.66% superiore a quello di OneRec, la baseline migliore tra quelle riportate. Questo sostiene un miglioramento del recupero offline in quel contesto.
Un test di sette giorni sulla homepage di Youku ha inoltre riportato valori più alti per il tasso di conversione in riproduzione e le misure del tempo di visione con SPAR rispetto al modello Base in produzione. Il confronto offline e il test online forniscono evidenze nei rispettivi contesti.
Il confronto sul recupero è offline e usa dati di produzione di Youku; i risultati sul coinvolgimento online provengono da un test di sette giorni sulla homepage di Youku.
Queste evidenze non stabiliscono come si comporti SPAR su altre piattaforme né se RQ-PIB bilanci l’esposizione futura agli elementi.
Cosa mostrano le prove
- La scelta cambia a ogni passo
SPAR (Stepwise Personalized Autoregressive Recommendation with Prefix-Balanced Semantic IDs) è un framework generativo per i sistemi di raccomandazione: seleziona un elemento prevedendo, uno alla volta, i token del suo codice.
La difficoltà è che le informazioni utili sull’utente possono cambiare man mano che ogni token restringe le opzioni, mentre i percorsi con più interazioni storiche possono dominare i rami fratelli. SPAR combina il recupero della cronologia specifico per ogni passo con un metodo per bilanciare quei rami.
- Il traffico passato concentra i rami
Le interazioni storiche erano molto concentrate nei percorsi degli elementi di Youku: l’1% con più interazioni rappresentava il 47.3%, il 63.17% e il 71.26% del carico totale, rispettivamente a profondità del prefisso uno, due e tre.
Questo descrive il traffico passato, non l’esposizione futura. Nei confronti offline sulla costruzione dei SID, RQ-PIB ha ridotto la quota del ramo figlio maggiore ponderata per il traffico a ciascun livello rispetto al normale RQ-KMeans.
Il dato sostiene l’affermazione che il bilanciamento locale per prefisso abbia ridotto la concentrazione misurata.
- Il recupero segue il prefisso
Il PATH Decoder di SPAR recupera la cronologia a lungo termine dell’utente in base al prefisso generato corrente e la combina con il comportamento recente, il profilo e il contesto della richiesta. In un’analisi di ablazione offline, i ricercatori hanno confrontato il recupero della cronologia a ogni passo con il recupero una sola volta e il riutilizzo.
Per quattro dimensioni della lista, il recupero a ogni passo ha prodotto un guadagno medio di 3.55 punti percentuali di Hit Ratio rispetto a Base, contro 2.70 punti con il riutilizzo delle informazioni recuperate al primo passo.
Il risultato sostiene l’adattamento dell’accesso alla cronologia man mano che le opzioni si restringono.
- Migliora il recupero offline
Sui dati di produzione offline di Youku, l’Hit Ratio di SPAR è stato in media del 2.66% superiore a quello di OneRec, la baseline migliore tra quelle riportate, per liste di dimensione 10, 20, 50 e 100. L’Hit Ratio misura la quota degli elementi successivi valutati che compare tra le prime K raccomandazioni.
Questo confronto principale sostiene un miglioramento complessivo del recupero nei dati e con il protocollo testati; il resoconto non stabilisce che i dati di addestramento o gli stati iniziali fossero identici.
- Allineamento e risultati online
Un controllo separato ha confrontato il modello SPAR completo dopo l’addestramento supervisionato con lo stesso checkpoint dopo l’aggiunta dell’addestramento di allineamento alle preferenze. A parità di mappatura SID, architettura del modello e configurazione di decodifica, il modello allineato ha guadagnato in media 0.78 punti percentuali di Hit Ratio per quattro dimensioni della lista.
In un test di sette giorni sulla homepage di Youku, SPAR ha inoltre registrato tassi di conversione in riproduzione, tempi medi di visione per utente e tempo totale trascorso superiori a quelli del modello Base in produzione. Questi risultati hanno ambiti distinti: uno è offline, l’altro online.
Dettagli
- Autori del paper originale
- Chunrui Zhang, Gaoyun Lin, Chang Zhou, Zheng Hu, Qiran Song
- Inviato ad arXiv
- Licenza
- arXiv non-exclusive