MEMOIR: Temporal Behavioral Memory for Recommendation Across the Preference-Drift Spectrum
本文介绍了 MEMOIR，这是一个利用从时间交互窗口中生成的 LLM 语义行为记忆来有效建模用户偏好漂移的框架，其研究结果表明，尽管其综合性能与强大的 UniSRec 基准模型持平，但其最显著且具有可复现性的贡献在于，针对处于偏好谱系中高漂移和低漂移极端情况下的用户，展现出了更优越的排序质量。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图猜猜你的朋友生日想要什么礼物。如果你只看他上周买了什么，你可能会猜错。也许他刚买了一款新的电子游戏，但这并不意味着他想要另一款；也许他其实是开始对烹饪感兴趣了。这就是推荐系统的核心：那些向我们推荐电影、歌曲或鞋子的计算机程序。长期以来，这些程序将我们的过往选择视为一张单一的、静态的照片。它们假设如果你昨天喜欢动作片，那么你会永远喜欢下去。但人类是复杂且多变的。我们存在偏好漂移（preference drift），这只是一个高级说法，意思是指我们的品味会随着时间而演变。这个领域的大问题在于：我们如何构建一个系统，它不仅能看到我们“现在是什么样”，还能理解我们“是如何走到这一步的”以及“未来可能会走向何方”？
这正是名为 MEMOIR 的新框架发挥作用的地方。把 MEMOIR 想象成一个记录你在线购物习惯的超级聪明的手记管理员。它不仅仅是看你点击过的物品列表，而是将你的历史记录切分成每月的“章节”。对于每个月，它使用一个巨大的、类脑的计算机（称为大语言模型，或 LLM）来为你行为编写一段简短的语义摘要——例如，“这个月，用户对跑步装备和蛋白粉非常痴迷”。
但 MEMOIR 并不仅仅满足于阅读手记。它试图理解其中的“情节”。它会观察你的故事在从一月到二月时是如何变化的。你是从休闲装平滑地过渡到了健身服？还是在两者之间来回摆动？为了实现这一点，MEMOIR 使用了一种特殊的数学技巧，叫做对比学习（contrastive learning）。想象一下这是一个游戏，计算机通过它学习到“跑鞋”和“瑜伽垫”属于你生活的同一个章节，而“西装”则属于另一个章节。它迫使计算机去关注你变化的“方向”，而不仅仅是物品本身。
研究人员在来自亚马逊的真实数据上测试了 MEMOIR，这些数据涉及数百万条关于电子产品和服装的评论。他们发现了一个非常有趣的现象：对于那些品味非常稳定或者变化非常迅速的用户，MEMOIR 在判断推荐质量方面表现得极其出色。然而，对于那些品味有些摇摆不定，或者处于缓慢且混乱的变化过程中的用户，另一个名为 UniSRec 的系统在仅仅预测你可能点击多少个物品方面，表现得稍微好一些。
让这篇论文脱颖而出的转折点在于：作者试图弄清楚 为什么 MEMOIR 会如此成功。他们将这台机器拆解开来，一部分一部分地观察，看看哪一部分才是“秘密配方”。他们移除了“方向”追踪器，移除了“每月章节”，甚至把那个高级的大脑换成了一个随机猜测器。令人惊讶的是，这些单一的部分都无法解释整体的成功。这就像拆解一支夺冠的球队，发现没有任何一个单独的球员是获胜的原因；而是整个团队以一种我们尚未完全理解的方式协同工作。
最重要的发现并不是 MEMOIR 在所有地方都完美无缺，而是它擅长的地方。这表明这种“感知演化”的方法对于极端情况——即那些习惯极其稳固的用户和那些正在经历剧烈转型的用户——来说，是一个游戏规则的改变者。对于“中间”的那组人，传统的方法依然各擅胜场。论文总结道，虽然我们无法精确指出究竟是哪部分的数学逻辑产生了魔力，但将用户历史视为一个移动的故事而非静态快照的想法，是一个强大的新方向。它提醒我们，要真正了解一个人，你必须倾听他们的整个故事，而不仅仅是他们写的最后一句话。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。