Decoupled Temporal Encoding for Generative Recommendation
Cet article propose le Découplage de l'Encodage Temporel (DTE), un cadre léger pour la recommandation générative qui améliore les méthodes existantes en séparant la dynamique temporelle de l'ordre des articles grâce à deux modules complémentaires : un module macro-temporel personnalisé pour les modèles temporels larges et un module micro-séquentiel à porte temporelle pour les interactions locales denses.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde numérique, les systèmes de recommandation agissent comme les curateurs silencieux de notre vie quotidienne, suggérant ce qu'il faut regarder, acheter ou manger ensuite. Pendant des années, ces systèmes se sont appuyés sur un type puissant d'intelligence artificielle connu sous le nom de Transformer, qui excelle dans la compréhension des séquences. Considérez l'historique d'un utilisateur comme une histoire : le système lit les chapitres des articles avec lesquels une personne a interagi pour deviner le chapitre suivant. Pour donner du sens à une histoire, l'IA doit savoir non seulement ce qui s'est passé, mais aussi quand et dans quel ordre. Les méthodes standards pour enseigner à l'IA ce sens de l'ordre étaient empruntées aux modèles de langage, traitant chaque article d'une liste comme une simple étape dans une séquence, telle les mots d'une phrase. Cependant, le comportement humain dans le monde réel est bien plus complexe qu'une simple liste. Il est façonné par l'horloge, le calendrier et le rythme de la vie quotidienne. La faim d'une personne à l'heure du déjeuner, ses habitudes de shopping le week-end ou sa réaction à une vente soudaine sont autant de motifs temporels que les méthodes standards peinent souvent à capturer aux côtés du simple ordre des événements.
Des chercheurs de la division Rajax Network Technology d'Alibaba, travaillant dans l'environnement à haute pression des services de livraison de nourriture et de vente au détail instantanée de l'application Taobao, ont identifié une lacune dans la manière dont ces systèmes comprennent le temps. Ils ont observé que le comportement des utilisateurs est piloté par deux forces distinctes qui s'entremêlent souvent. Une force est le contexte temporel large et global : le fait que nous soyons mardi, que ce soit proche de l'heure du déjeuner, ou qu'un magasin spécifique connaisse un afflux soudain de trafic. L'autre force est la séquence immédiate et serrée d'actions : le fait qu'un utilisateur ait cliqué sur un restaurant de nouilles, puis sur une boisson, puis sur un dessert en l'espace de quelques minutes. Les systèmes existants tentaient d'injecter ces deux signaux dans l'IA via un canal unique et unifié, un peu comme si l'on essayait de décrire une tempête en ne mesurant que la vitesse du vent en ignorant la pluie. Cette approche rendait difficile pour le modèle de distinguer l'humeur générale de la journée des choix spécifiques et rapides que l'utilisateur faisait sur le moment.
Pour résoudre ce problème, l'équipe a développé un nouveau cadre appelé Codage Temporel Découplé (Decoupled Temporal Encoding). Au lieu de forcer l'IA à apprendre le temps et l'ordre à partir de la même source, ils ont construit deux modules distincts et légers qui travaillent en harmonie. Le premier module, qu'ils appellent l'encodeur macro-temporel, se concentre sur la vue d'ensemble. Il injecte des signaux compacts dans le système pour informer l'IA de l'heure de la journée, du jour de la semaine et du temps écoulé depuis la dernière interaction. Cela permet au modèle de comprendre qu'un utilisateur commandant un dîner à 19h un vendredi est probablement dans un état d'esprit différent du même utilisateur commandant un déjeuner à 12h un lundi. Le second module, l'encodeur micro-séquentiel, gère les détails fins. Il agit comme un gardien, n'intervenant pour accentuer l'ordre strict des événements que lorsque les interactions se produisent si rapidement que les horodatages deviennent flous. Si un utilisateur clique sur plusieurs articles en succession rapide, ce module garantit que l'IA prête attention à la séquence précise de ces clics, plutôt qu'au simple fait qu'ils aient eu lieu à un moment proche.
Les chercheurs ont testé cette approche sur un ensemble massif de données contenant des milliards d'interactions provenant de l'application Taobao, ainsi que sur un benchmark public pour les recommandations vidéo. Les résultats ont montré que la séparation de ces deux types d'informations temporelles améliorait considérablement la capacité du système à prédire ce qu'un utilisateur voudrait ensuite. Lors des tests hors ligne, la nouvelle méthode a surpassé tous les modèles de pointe précédents, atteignant une plus grande précision dans la prédiction des clics et réduisant les erreurs. Crucialement, l'équipe a constaté que le système fonctionnait mieux lorsque les utilisateurs présentaient des schémas de comportement clairs et répétitifs, tels que des commandes régulières pour le déjeuner, ou lorsque leurs interactions étaient très denses. L'analyse des motifs d'attention interne de l'IA a révélé que le système apprenait à renforcer ces habitudes périodiques sans perdre de vue la séquence immédiate des événements.
Le véritable test de cette recherche est venu lorsque l'équipe a déployé le système dans le trafic réel de l'application Taobao. Dans une expérience rigoureuse de trois semaines impliquant des millions d'utilisateurs réels, la nouvelle méthode a apporté des améliorations commerciales mesurables. Elle a augmenté le taux de clic de 1,8 % et le revenu par mille impressions de 3,0 %, tout en n'ajoutant qu'un délai négligeable au temps de réponse du système. Parce que les gains étaient constants et que le système restait stable, l'entreprise a déployé la mise à jour pour 100 % du trafic du système de recommandation publicitaire Shangou en janvier 2026. Ce déploiement démontre qu'en découplant le contexte large du temps de l'ordre spécifique des actions, les systèmes de recommandation peuvent devenir plus en phase avec la nature complexe et rythmique de la vie humaine, offrant des suggestions qui semblent non seulement opportunes, mais véritablement personnalisées.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.