arXiv cs.AI· Aysenur Inan, Reza Yousefi Maragheh, Jayesh Uddhav Kudase, Selene Xu, Kaushiki Nag, Jianpeng Xu, Sushant Kumar·· 11 小时前AI 评分31
BehaveRec：长期行为历史何时对序列推荐有帮助？一项结合会话、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
BehaveRec 提出三信号框架，融合因果会话 Transformer、90 天窗口的双向用户历史编码器和基于行为嵌入相似度构建的用户图 GraphSAGE 模块，并通过学习门控按用户混合三路信号。
正文 · AI 翻译
摘要：序列推荐模型通常根据近期的会话交互预测用户的下一个动作，当短期信号较弱或模糊时，这会限制个性化。我们并不假设引入长期历史和社区信号普遍有益，而是研究它实际在何时有帮助。我们提出 BehaveRec，一个三信号框架，结合了因果会话 transformer、在 90 天窗口上的双向用户历史编码器，以及基于行为嵌入相似性（而非物品共现）构建的用户-用户图上的 GraphSAGE 模块；一个学习到的门控为每个用户混合这三种信号。在包含来自 1260 万用户的 1.37 亿条序列的工业数据集上，BehaveRec 相比 SASRec 将 R@5 提升了 +3.2%，而更大容量的 SASRec 基线（参数多于 BehaveRec）仍落后 +2.5%，排除了容量作为解释的可能。更重要的是，按历史长度进行的用户级分层揭示了清晰的剂量-反应关系：BehaveRec 的优势在约 10 次交互以下可忽略不计，并随历史丰富度单调增长，对于拥有 101+ 事件的用户达到 +0.017 R@5。这一模式在一个工业数据集和三个公共数据集上得到印证，涵盖历史丰富到历史稀疏的情形，而在历史稀疏情形下仅会话模型仍然更可取。这些主要结果以及由此得出的部署阈值是针对类别级意图预测确立的；在完整物品级词表上进行的一次初步单次运行检查给出了方向不一的结果，被界定为开放问题而非结论。我们利用这些结果推导出一条实用的部署规则——每用户约 20 次交互——用于判断长期历史和行为图信号何时值得其增加的复杂度。尽管增加了复杂度，BehaveRec 仍然轻量：它使用 567 万参数，并在单块 GPU 上不到两天完成训练。
| 主题： | 人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.36239 [cs.AI] |
| （或 arXiv:2610.36239v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36239 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Reza Yousefi Maragheh [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 20:15:26 UTC（111 KB）
来源：arXiv cs.AI · arxiv.org