跳到正文
arXiv cs.AI· Maolei Huang, Jing Tian, Dexuan Duan, Fangfang Lin, Huawei Cao, Shuhan Song·· 4 小时前AI 评分22

COTTI:面向促销漂移下鲁棒工业推荐的对比训练与时间感知推理框架

COTTI: Contrastive Training and Time-Aware Inference for Robust Industrial Recommendation under Promotional Drift

AI 导读

COTTI 是一个将历史表示学习与事件时点分数调整分离的工业推荐框架,在 Fliggy 数据上离线 AUC 达 0.8127,高于 TEN 的 0.8101 和 TEN+ABA 的 0.8123。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:促销活动会在不同时间跨度上改变流量构成、购买行为以及转化概率的规模。我们提出 \textbf{COTTI}(\textbf{CO}ntrastive \textbf{T}raining and \textbf{T}ime-aware \textbf{I}nference),这是一个工业推荐框架,将历史表示学习与事件时刻的分数调整分离。跨周期对比对齐(CPC)以自适应一致性权重对同一用户的成对历史进行正则化。主动重加权(RW)通过历史兴趣距离控制促销样本的影响。自适应边界对齐(ABA)将随机预测变异性与时间事件核相结合,在保持预测器参数固定的同时调整 logits。我们分析了加权目标,并对 ABA 引起的概率与排序变化给出了界。在 Fliggy 数据上,COTTI 取得 0.8127 的离线 AUC,而 TEN 为 0.8101,TEN 加 ABA 为 0.8123。跨类别分析显示,判别能力有所提升,同时新类别的付费项目召回率出现下降。端到端测量给出 p99 延迟 38.9\,ms 和吞吐量 14,700 请求/秒;启用 ABA 使 p99 增加 2.2\,ms。与线上服务的 HDR 模型进行的十天在线实验取得转化率 3.14\% 和千次展示收入 2.68\% 的相对提升。综合来看,这些结果刻画了促销推荐中聚合预测、新类别发现与服务成本之间的权衡。
主题: 人工智能(cs.AI);机器学习(cs.LG)
引用为: arXiv:2611.22597 [cs.AI]
  (或 arXiv:2611.22597v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22597

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Maolei Huang [查看邮箱]
[v1] 2026年11月17日星期二 11:18:28 UTC(1,345 KB)

来源:arXiv cs.AI · arxiv.org