arXiv 人工智能· Aysenur Inan, Reza Yousefi Maragheh, Jayesh Uddhav Kudase, Selene Xu, Kaushiki Nag, Jianpeng Xu, Sushant Kumar·· 5 小时前AI 评分33
BehaveRec：长期行为历史何时有助于序列推荐？基于会话、历史与社区信号的研究
BehaveRec: When Does Long-Term Behavioral History Help Sequential Recommendation? A Study with Session, History, and Community Signals
AI 导读
推荐框架 BehaveRec 融合短期会话、90 天长期历史与 GraphSAGE 社区信号，在 12.6M 用户的工业数据集上将 R@5 较 SASRec 提升 3.2%。研究表明长期历史增益随交互频次递增，交互少于约 10 次时收益微弱，超 101 次时 R@5 提升达 +0.017，据此得出约 20 次交互的部署阈值。该模型仅 5.67M 参数，单 GPU 训练耗时不到两天。
来源：arXiv 人工智能 · arxiv.org