Decoupled Temporal Encoding for Generative Recommendation
Dit artikel stelt Decoupled Temporal Encoding (DTE) voor, een lichtgewicht framework voor generatieve aanbeveling dat bestaande methoden verbetert door de temporele dynamiek te scheiden van de itemvolgorde via twee complementaire modules: een gepersonaliseerde macro-temporele module voor brede temporele patronen en een tijd-gegate micro-sequentiële module voor dichte lokale interacties.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de digitale wereld fungeren aanbevelingssystemen als de stille curatoren van ons dagelijks leven, waarbij ze suggereren wat we vervolgens moeten bekijken, kopen of eten. Jarenlang hebben deze systemen vertrouwd op een krachtig type kunstmatige intelligentie dat bekend staat als de Transformer, die uitblinkt in het begrijpen van sequenties. Beschouw de geschiedenis van een gebruiker als een verhaal: het systeem leest de hoofdstukken van de items waarmee een persoon heeft geïnteracteerd om het volgende hoofdstuk te raden. Om een verhaal betekenis te geven, moet de AI niet alleen weten wat er gebeurde, maar ook wanneer en in welke volgorde. Standaardmethoden om AI dit gevoel voor volgorde te leren, werden geleend van taalmodellen, waarbij elk item in een lijst als een eenvoudige stap in een sequentie wordt behandeld, zoals woorden in een zin. Echter, menselijk gedrag in de echte wereld is veel complexer dan een eenvoudige lijst. Het wordt gevormd door de klok, de kalender en het ritme van het dagelijks leven. De honger van een persoon tijdens de lunch, hun winkelgewoonten in het weekend, of hun reactie op een plotselinge uitverkoop zijn allemaal temporele patronen die standaardmethoden vaak moeite hebben om naast de eenvoudige volgorde van gebeurtenissen vast te leggen.
Onderzoekers bij Alibaba's Rajax Network Technology, werkend binnen de veeleisende omgeving van de Taobao-app voor voedselbezorging en instant retail-diensten, identificeerden een gat in hoe deze systemen tijd begrijpen. Ze observeerden dat gebruikersgedrag wordt gedreven door twee verschillende krachten die vaak met elkaar verstrengeld raken. De ene kracht is de brede, allesomvattende context van tijd: het feit dat het dinsdag is, dat het bijna lunchtijd is, of dat een specifieke winkel een plotselinge piek in het verkeer ervaart. De andere kracht is de nauwe, onmiddellijke sequentie van acties: het feit dat een gebruiker binnen enkele minuten op een noedelzaak klikte, toen op een drankje, en daarna op een dessert. Bestaande systemen probeerden beide signalen via een enkel, verenigd kanaal in de AI te voeren, vergelijkbaar met het proberen te beschrijven van een storm door alleen de windsnelheid te meten en de regen te negeren. Deze aanpak maakte het moeilijk voor het model om onderscheid te maken tussen de algemene stemming van de dag en de specifieke, razendsnelle keuzes die een gebruiker op dat moment maakte.
Om dit op te lossen, ontwikkelde het team een nieuw framework genaamd Decoupled Temporal Encoding. In plaats van de AI te dwingen om tijd en volgorde uit dezelfde bron te leren, bouwden ze twee aparte, lichtgewicht modules die in harmonie samenwerken. De eerste module, die ze de macro-temporele encoder noemen, richt zich op het grote plaatje. Het injecteert compacte signalen in het systeem om de AI te vertellen over de tijd van de dag, de dag van de week en hoeveel tijd er is verstreken sinds de laatste interactie. Dit stelt het model in staat om te begrijpen dat een gebruiker die op vrijdag om 19:00 uur het diner bestelt, waarschijnlijk in een andere gemoedstoestand verkeert dan dezelfde gebruiker die op maandag om 12:00 uur lunch bestelt. De tweede module, de micro-sequentiële encoder, behandelt de fijne details. Het fungeert als een poortwachter en grijpt alleen in om de strikte volgorde van gebeurtenissen te benadrukken wanneer interacties zo snel plaatsvinden dat de tijdstempels alleen al wazig worden. Als een gebruiker in snelle opeenvolging door verschillende items klikt, zorgt deze module ervoor dat de AI aandacht besteedt aan de precieze volgorde van die klikken, in plaats van alleen aan het feit dat ze dicht bij elkaar plaatsvonden.
De onderzoekers testten deze aanpak op een enorme dataset met miljarden interacties van de Taobao-app, evenals op een publieke benchmark voor videoaanbevelingen. De resultaten lieten zien dat het scheiden van deze twee soorten tijdinformatie het vermogen van het systeem om te voorspellen wat een gebruiker als volgende wil, aanzienlijk verbeterde. In offline tests presteerde de nieuwe methode beter dan alle voorgaande state-of-the-art modellen, waarbij een hogere nauwkeurigheid werd bereikt bij het voorspellen van klikken en fouten werden verminderd. Cruciaal was dat het team ontdekte dat het systeem het beste werkte wanneer gebruikers duidelijke, herhalende patronen in hun gedrag hadden, zoals regelmatige lunchbestellingen, of wanneer hun interacties zeer dicht opeenvolgend waren. De analyse van de interne aandachtspatronen van de AI onthulde dat het systeem leerde om deze periodieke gewoonten te versterken zonder de controle over de onmiddellijke sequentie van gebeurtenissen te verliezen.
De echte test van dit onderzoek kwam toen het team het systeem implementeerde in het live verkeer van de Taobao-app. In een rigoureus driedelig experiment met miljoenen echte gebruikers leverde de nieuwe methode meetbare zakelijke verbeteringen op. Het verhoogde de click-through rate met 1,8 procent en de omzet per duizend impressies met 3,0 procent, terwijl er slechts een verwaarloosbare vertraging werd toegevoegd aan de reactietijd van het systeem. Omdat de winsten consistent waren en het systeem stabiel bleef, voerde het bedrijf de update in januari 2026 uit voor 100 procent van het verkeer van het Shangou advertentie-aanbevelingssysteem. Deze implementatie demonstreert dat door de brede context van tijd te ontwarren van de specifieke volgorde van acties, aanbevelingssystemen meer afgestemd kunnen worden op de complexe, ritmische aard van het menselijk leven, waardoor suggesties niet alleen tijdig, maar ook echt persoonlijk aanvoelen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.