DUET: Dual Model Co-Training for Entire Space CTR Prediction
Kuaishou Technology Co., Ltd.(快手科技)
针对推荐系统预排序阶段双塔模型表达能力不足、样本选择偏差严重的问题,提出集合级预排序框架DUET,通过双模型协同训练缓解偏差,性能优于现有基线,已在快手全量部署。
2025-10-28 cs.IR
FARM: Frequency-Aware Model for Cross-Domain Live-Streaming Recommendation
针对直播推荐数据稀疏问题,提出FARM模型,通过域内频率感知模块捕捉稀疏有价值行为,采用融合前偏好对齐策略迁移跨域偏好,经实验验证有效且已部署服务快手数亿用户。
2025-02-13 cs.IR
Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation
Kuaishou Technology(快手科技)
本文针对直播推荐的数据及时性问题,提出滑动窗口数据流范式 Sliver 及时间敏感的重新推荐策略,并在快手平台离线与在线实验中验证其能同时提升标签准确性和推荐及时性,显著改善 CTR 和 NFN。
2024-02-22 cs.AI cs.IR
Always Strengthen Your Strengths: A Drift-Aware Incremental Learning Framework for CTR Prediction
本文提出一种基于集成学习的漂移感知增量学习框架,通过显式漂移检测强化适配集成并冻结不匹配集成,有效缓解CTR预测中的灾难性遗忘问题,并在离线实验和A/B测试中优于所有基线。
2023-04-17 cs.IR cs.LG
MMBee: Live Streaming Gift-Sending Recommendations via Multi-Modal Fusion and Behaviour Expansion
Institute of Automation(自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);KuaiShou Inc.(快手公司)
针对直播送礼行为稀疏和实时内容难以建模的问题,提出 MMBee,通过多模态融合模块 MFQ 和图引导兴趣扩展 GIE 提升送礼推荐性能,并在快手大规模部署验证。
2024-06-15 cs.AI cs.IR cs.SI
MLoRA: Multi-Domain Low-Rank Adaptive Network for CTR Prediction
针对多领域CTR预测中数据稀疏、分布差异及现有方法参数量大、训练不足的问题,提出为每个领域引入专用LoRA模块的MLoRA网络,在多数据集和阿里线上A/B测试中均优于现有基线,且可适配多种深度学习模型。
2024-08-14 cs.IR
KuaiLive-M3: A Multi-Modal, Multi-Domain, and Multi-Feedback Dataset for Live Streaming Recommendation
Gaoling School of Artificial Intelligence Renmin University of China(中国人民大学高瓴人工智能学院);Kuaishou Technology(快手科技)
针对现有直播数据集的局限,引入KuaiLive-M3数据集,它涵盖多领域用户交互及多模态内容,有丰富反馈记录。基于此建立多种推荐基准,经实验验证其为直播推荐研究提供了有挑战且现实的基准,凸显相关研究要点。
2026-07-29 cs.IR
Multi-Epoch Learning for Deep Click-Through Rate Prediction Models
KuaiShou Technology(快手科技)
针对深度CTR模型单轮次过拟合问题,本文提出多轮次学习框架MEDA,通过每轮重新初始化嵌入层实现数据增强,在多个公开数据集及快手真实场景中显著优于传统单轮次训练。
2023-05-31 cs.IR cs.LG
On the Adaptation to Concept Drift for CTR Prediction
点击率(CTR)预测是网络搜索、推荐系统和在线广告显示中的一项重要任务。在实际应用中,CTR模型往往服务于高速用户生成的数据流,其底层分布随时间快速变化。这些流数据不可避免地存在概念漂移问题,这会导致性能下降,由于时效性问题。为了保证模型的新鲜度,增量学习在现实世界的生产系统中被广泛采用。然而,增量更新很难实现CTR模型在捕捉快速变化趋势的适应性和保留公共知识的泛化能力之间的平衡。在本文中,我们提出了自适应混合专家模型(AdaMoE),一个新的框架,以减轻概念漂移问题的统计加权政策的数据流中的CTR预测。在基准测试和真实工业数据集上进行的大量离线实验以及在线A/B测试表明,我们的AdaMoE显著优于所有考虑的增量学习框架。
2023-02-23 cs.AI cs.IR cs.LG
RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation
University of Science and Technology of China(中国科学技术大学);Kuaishou Technology(快手科技);China Academy of Cyber(中国网络空间安全研究院)
研究短视频推荐中用户画像生成问题,提出RECAP离线闭环框架,结合大语言模型语义更新、生命周期及容量控制维护画像,通过大语言模型判断和双塔评估器构建反馈,实验证明其提升推荐指标,在线测试显示提高用户应用使用时间。
2026-07-20 cs.IR
Bridging Short Videos and Live Streams: Reasoning-Guided Multimodal LLMs for Cross-Domain Representation Learning
Kuaishou Technology(快手科技)
针对短视频到直播的跨域推荐冷启动问题,提出推理引导的跨域表示学习框架RGCD-Rep,利用多模态大语言模型生成结构化推理知识并蒸馏到轻量模型,通过两阶段训练学习可迁移的物品表示,在快手部署后显著提升核心业务指标。
2026-06-03 cs.IR
ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation
Kuaishou Technology(快手科技)
针对工业推荐系统偏差问题,提出ConAlign条件去偏方法,通过离散门控条件对齐机制平衡事实准确性和无偏偏好估计,支持实时流适应,经实验验证有效,提升了快手用户长期参与度和兴趣多样性。
2026-07-28 cs.IR
KuaiLive: A Real-time Interactive Dataset for Live Streaming Recommendation
Gaoling School of Artificial Intelligence\ University of China Beijing China;Gaoling School of Artificial Intelligence\ University of China
KuaiLive是一个实时互动数据集,用于直播推荐研究,包含精确的时间戳、多种实时用户交互和丰富的用户及主播侧信息,支持多种推荐任务和多行为建模。
2026-04-24 cs.AI cs.IR
An Audio-centric Multi-task Learning Framework for Streaming Ads Targeting on Spotify
针对 Spotify 流媒体广告的音频中心特性,提出跨模态自适应专家混合框架 CAMoE,通过模态感知任务分组、自适应损失掩蔽和深度交叉网络优化多模态 CTR 预测,部署后音频广告 CTR 提升 14.5%,eCPC 降低 4.8%。
2025-06-23 cs.IR eess.AS
Beyond Relevance: Improving User Engagement by Personalization for Short-Video Search
本研究提出名为$\text{PR}^2$的短视频个性化搜索系统,结合查询相关协同过滤、个性化稠密检索与QIN排序模型,在生产环境中显著提升了用户参与度指标。
2024-09-17 cs.IR
POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation
Kuaishou Technology(快手科技)
针对实时推荐系统中用户兴趣动态漂移和工业级多阶段排序结构未被充分利用的问题,提出POEM框架,利用上游排序模块的实时多任务分数构建动态偏序序列,实现细粒度兴趣建模与系统目标一致优化,在快手线上部署取得显著提升。
2026-06-29 cs.IR
Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation
Alibaba Group(阿里巴巴集团);SIGS, Tsinghua University(清华大学深圳国际研究生院)
针对触发式推荐中用户即时兴趣随滚动动态变化及触发物品交互建模不足的问题,提出DEI2N,融合时间行为信息、兴趣演化层与交互层,并在离线、工业数据和在线A/B测试中验证其CTR预测优势。
2024-08-04 cs.IR cs.LG
TIM: Temporal Interaction Model in Notification System
Kuaishou Technology Co., Ltd.(快手科技有限公司)
针对通知发送时机优化忽视用户行为模式及多条通知整体调度的问题,提出TIM模型,利用长期交互序列与TAU预测各时段CTR,并通过整体发送控制策略在线上提升参与度且减少打扰。
2024-06-11 cs.AI cs.IR
Generate the browsing process for short-video recommendation
Kuaishou Technology(快手科技)
本文提出一种生成式方法,通过学习协同信息和视频分段建模来模拟用户短视频观看旅程,用于观看时长预测,在工业数据集上取得SOTA性能并已部署于快手极速版。
2025-09-20 cs.AI cs.IR
Comment Staytime Prediction with LLM-enhanced Comment Understanding
本文提出基于LLM增强评论理解(LCU)的评论停留时间预测框架,通过两阶段方法利用LLM理解评论文本并设计辅助排序任务,显著提升了预测效果。
2025-04-02 cs.IR
Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation
Wuhan University(武汉大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
最近,快手、抖音等微视频分享平台成为人们生活的主要信息来源。由于这些服务的大流量,短视频寿命和流媒体时尚,它已经变得越来越迫切,以提高现有的推荐系统,以适应这些挑战,在一个具有成本效益的方式。提出了一种新的概念感知去噪图神经网络(CONDE)微视频推荐方法。CONDE由三个阶段的图卷积过程组成,以获得用户和微视频表示:预热传播,图去噪和偏好细化。通过将用户节点与视频节点连接,以及将视频节点与从视频的字幕和评论中提取的相关联的概念节点连接,来构造异构三分图。为了解决图中的噪声信息,我们引入了面向用户的图去噪阶段,以提取更能反映用户偏好的子图。尽管本文的主要重点是微视频推荐,但我们也表明,我们的方法可以推广到其他类型的任务。因此,我们还进行了一个著名的公共电子商务数据集的实证研究。实验结果表明,建议CONDE实现显着更好的推荐性能比现有的国家的最先进的解决方案。
2021-09-28 cs.IR cs.LG
Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction
New York University(纽约大学);Alibaba Youku Cognitive and Intelligent Lab(阿里巴巴优酷认知与智能实验室)
跨领域推荐系统是解决冷启动和稀疏性问题的一种有效方法,它可以在多个类别域之间聚合和传递用户偏好。因此,它有很大的潜力,以提高点击率预测性能的在线商务平台,具有许多领域的产品。虽然已经提出了几种跨域顺序推荐模型来利用来自源域的信息来改善目标域中的CTR预测,但是它们没有考虑跨源-目标域对的用户偏好的双向潜在关系。因此,它们不能同时为两个域提供增强的跨域CTR预测。在本文中,我们提出了一种新的方法,跨域顺序推荐的基础上的双重学习机制,同时在两个相关的域之间的信息,以迭代的方式,直到学习过程稳定。特别是,提出的双注意顺序学习(DASL)模型由两个新的组件双嵌入和双注意,共同建立两个阶段的学习过程:我们首先构建双潜在嵌入,同时提取用户在两个领域的偏好,随后通过双注意学习机制,通过匹配提取的潜在嵌入与候选项提供跨域的建议。我们在三个真实世界的数据集上进行了广泛的离线实验,以证明我们提出的模型的优越性,该模型在所有实验设置中显著且一致地优于几个最先进的基线。我们还在一个主要的视频流媒体平台阿里巴巴-优酷进行了在线A/B测试,我们提出的模型在公司最新的生产系统上显着提高了业务性能。
2021-06-05 cs.IR cs.LG
CardRewriter: Leveraging Knowledge Cards for Long-Tail Query Rewriting on Short-Video Platforms
GSAI, Renmin University of China(GSAI,中国人民大学)
针对短视频平台长尾查询重写问题,提出基于LLM的CardRewriter框架,通过构建多源知识卡片引导模型生成有效重写,经两阶段训练优化后部署于快手,显著提升了检索与点击指标。
2025-10-11 cs.CL cs.IR
LIBER: Lifelong User Behavior Modeling Based on Large Language Models
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Shanghai Jiao Tong University(上海交通大学);Consumer Business Group, Huawei(华为消费者业务集团)
本文提出基于大语言模型的终身用户行为建模框架 LIBER,通过流式划分、级联兴趣学习和兴趣融合三个模块高效建模动态用户兴趣,并在华为音乐推荐中显著提升播放次数与时长。
2024-11-22 cs.AI cs.IR