Decoupled Temporal Encoding for Generative Recommendation
यह शोध पत्र डिकपल्ड टेम्पोरल एनकोडिंग (DTE) का प्रस्ताव करता है, जो जनरेटिव रिकमेंडेशन के लिए एक हल्का ढांचा है जो दो पूरक मॉड्यूल के माध्यम से आइटम क्रम से टेम्पोरल डायनेमिक्स को अलग करके मौजूदा विधियों में सुधार करता है: व्यापक टेम्पोरल पैटर्न के लिए एक पर्सनलाइज्ड मैक्रो-टेम्पोरल मॉड्यूल और घने स्थानीय इंटरैक्शन के लिए एक टाइम-गेटेड माइक्रो-सीक्वेंशियल मॉड्यूल।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल दुनिया में, अनुशंसा प्रणाली (रेकमेंडेशन सिस्टम) हमारे दैनिक जीवन के शांत क्यूरेटर के रूप में कार्य करती है, जो यह सुझाव देती है कि हमें आगे क्या देखना चाहिए, क्या खरीदना चाहिए या क्या खाना चाहिए। वर्षों से, ये प्रणालियाँ आर्टिफिशियल इंटेलिजेंस के एक शक्तिशाली प्रकार पर निर्भर रही हैं जिसे 'ट्रांसफॉर्मर' कहा जाता है, जो अनुक्रमों (सीक्वेंस) को समझने में उत्कृष्ट है। उपयोगकर्ता के इतिहास को एक कहानी के रूप में सोचें: सिस्टम किसी व्यक्ति द्वारा इंटरैक्ट किए गए आइटम्स के अध्यायों को पढ़ता है ताकि अगले अध्याय का अनुमान लगा सके। एक कहानी को समझने के लिए, एआई को न केवल यह जानने की आवश्यकता है कि क्या हुआ, बल्कि यह भी कि कब और किस क्रम में हुआ। एआई को क्रम की यह समझ सिखाने के लिए मानक विधियाँ भाषा मॉडलों (लैंग्वेज मॉडल्स) से ली गई थीं, जो प्रत्येक आइटम को एक सूची में एक सरल चरण के रूप में मानती हैं, जैसे वाक्य में शब्द होते हैं। हालाँकि, वास्तविक दुनिया में मानवीय व्यवहार एक साधारण सूची से कहीं अधिक जटिल है। यह घड़ी, कैलेंडर और दैनिक जीवन की लय से आकार लेता है। दोपहर के भोजन के समय किसी व्यक्ति की भूख, सप्ताहांत पर उनकी खरीदारी की आदतें, या अचानक आई सेल के प्रति उनकी प्रतिक्रिया—ये सभी सामयिक पैटर्न (टेम्पोरल पैटर्न्स) हैं जिन्हें मानक विधियाँ अक्सर घटनाओं के सरल क्रम के साथ पकड़ने में संघर्ष करती हैं।
अलीबाबा के राजैक्स नेटवर्क टेक्नोलॉजी के शोधकर्ताओं ने, ताओबाओ ऐप की फूड डिलीवरी और इंस्टेंट रिटेल सेवाओं के उच्च-दबाव वाले वातावरण में काम करते हुए, यह पहचान लिया कि इन प्रणालियों में समय को समझने के तरीके में एक कमी है। उन्होंने देखा कि उपयोगकर्ता का व्यवहार दो अलग-अलग शक्तियों द्वारा संचालित होता है जो अक्सर आपस में उलझ जाती हैं। एक शक्ति समय का व्यापक, विस्तृत संदर्भ है: यह तथ्य कि यह मंगलवार है, यह कि दोपहर के भोजन का समय निकट है, या यह कि किसी विशिष्ट दुकान पर अचानक ट्रैफ़िक बढ़ गया है। दूसरी शक्ति कार्यों का सटीक, तत्काल अनुक्रम है: यह तथ्य कि एक उपयोगकर्ता ने कुछ ही मिनटों के भीतर एक नूडल शॉप, फिर एक ड्रिंक, और फिर एक डेज़र्ट पर क्लिक किया। मौजूदा प्रणालियाँ इन दोनों संकेतों को एक ही एकीकृत चैनल के माध्यम से एआई में डालने की कोशिश करती थीं, जो बिल्कुल वैसा ही है जैसे हवा की गति को मापकर तूफान का वर्णन करना और बारिश को पूरी तरह अनदेखा कर देना। इस दृष्टिकोण ने मॉडल के लिए दिन के सामान्य मिजाज और उपयोगकर्ता द्वारा उस क्षण में किए जा रहे विशिष्ट, तीव्र विकल्पों के बीच अंतर करना कठिन बना दिया।
इस समस्या को हल करने के लिए, टीम ने 'डिकपल्ड टेम्पोरल एनकोडिंग' (Decoupled Temporal Encoding) नामक एक नया फ्रेमवर्क विकसित किया। एआई को समय और क्रम को एक ही स्रोत से सीखने के लिए मजबूर करने के बजाय, उन्होंने दो अलग-अलग, हल्के मॉड्यूल बनाए जो सामंजस्य में काम करते हैं। पहला मॉड्यूल, जिसे वे 'मैक्रो-टेम्पोरल एनकोडर' कहते हैं, बड़े परिदृश्य पर ध्यान केंद्रित करता है। यह सिस्टम में संक्षिप्त संकेत डालता है ताकि एआई को दिन का समय, सप्ताह का दिन, और पिछले इंटरैक्शन से कितना समय बीत चुका है, इसके बारे में पता चल सके। यह मॉडल को यह समझने में सक्षम बनाता है कि शुक्रवार को शाम 7 बजे रात का खाना ऑर्डर करने वाला उपयोगकर्ता सोमवार को दोपहर 12 बजे लंच ऑर्डर करने वाले उसी उपयोगकर्ता की तुलना में एक अलग मानसिकता में हो सकता है। दूसरा मॉड्यूल, 'माइक्रो-सीक्वेंशियल एनकोडर', सूक्ष्म विवरणों को संभालता है। यह एक द्वारपाल (गेटकीपर) के रूप में कार्य करता है, जो केवल तभी हस्तक्षेप करता है जब घटनाओं का सख्त क्रम महत्वपूर्ण हो जाता है, जैसे कि जब इंटरैक्शन इतनी तेज़ी से होते हैं कि टाइमस्टैम्प स्वयं धुंधले पड़ जाते हैं। यदि कोई उपयोगकर्ता बहुत कम समय में कई आइटम्स पर क्लिक करता है, तो यह मॉड्यूल सुनिश्चित करता है कि एआई केवल इस तथ्य पर ध्यान न दे कि वे पास-पास हुए, बल्कि उन क्लिकों के सटीक क्रम पर ध्यान दे।
शोधकर्ताओं ने ताओबाओ ऐप के अरबों इंटरैक्शन वाले विशाल डेटासेट और वीडियो अनुशंसाओं के एक सार्वजनिक बेंचमार्क पर इस दृष्टिकोण का परीक्षण किया। परिणामों ने दिखाया कि समय की इन दो प्रकार की सूचनाओं को अलग करने से उपयोगकर्ता की अगली पसंद की भविष्यवाणी करने की सिस्टम की क्षमता में काफी सुधार हुआ। ऑफलाइन परीक्षणों में, इस नई विधि ने सभी पिछले अत्याधुनिक (स्टेट-ऑफ-द-आर्ट) मॉडलों को पछाड़ दिया, जिससे क्लिक की भविष्यवाणी करने में उच्च सटीकता प्राप्त हुई और त्रुटियां कम हुईं। महत्वपूर्ण रूप से, टीम ने पाया कि यह सिस्टम तब सबसे अच्छा काम करता है जब उपयोगकर्ताओं के व्यवहार में स्पष्ट, दोहराव वाले पैटर्न होते हैं, जैसे नियमित लंच ऑर्डर, या जब उनके इंटरैक्शन बहुत घने होते हैं। एआई के आंतरिक 'अटेंशन पैटर्न' के विश्लेषण से पता चला कि सिस्टम ने तात्कालिक अनुक्रम को खोए बिना इन आवधिक आदतों को सुदृढ़ करना सीख लिया।
इस शोध की असली परीक्षा तब हुई जब टीम ने इसे ताओबाओ ऐप के लाइव ट्रैफ़िक में तैनात किया। लाखों वास्तविक उपयोगकर्ताओं को शामिल करने वाले एक कठोर तीन-सप्ताह के प्रयोग में, नए तरीके ने मापने योग्य व्यावसायिक सुधार दिए। इसने क्लिक-थ्रू रेट में 1.8 प्रतिशत की वृद्धि की और प्रति हजार इंप्रेशन राजस्व में 3.0 प्रतिशत की वृद्धि की, और यह सब सिस्टम की प्रतिक्रिया समय में नगण्य देरी जोड़ते हुए किया गया। क्योंकि लाभ निरंतर थे और सिस्टम स्थिर रहा, इसलिए कंपनी ने जनवरी 2026 में 'शांगौ' विज्ञापन अनुशंसा प्रणाली के लिए 100 प्रतिशत ट्रैफ़िक के लिए इस अपडेट को लागू कर दिया। यह तैनाती यह प्रदर्शित करती है कि समय के व्यापक संदर्भ को कार्यों के विशिष्ट क्रम से अलग करके, अनुशंसा प्रणालियाँ मानव जीवन की जटिल, लयबद्ध प्रकृति के प्रति अधिक संवेदनशील हो सकती हैं, जिससे ऐसे सुझाव मिलते हैं जो न केवल सामयिक लगते हैं, बल्कि वास्तव में व्यक्तिगत भी महसूस होते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।