基于不确定性感知异质用户建模的自适应多场景匹配

《Neural Networks》：Adaptive Multi-Scenario Matching through Uncertainty-Aware Heterogeneous User Modeling

　　

• •
  一个统一的感知不确定性的异构用户建模框架。
• •
  自适应融合动态平衡画像先验与行为证据。
• •
  双码本解耦将画像先验与行为表示路径分离。
• •
  同时提升活跃用户和长尾用户的平均表现。

引言

随着在线平台不断扩展其内容生态，多场景匹配已成为推荐系统中的重要组成部分。其目标是从多个推荐场景中的大规模候选池中高效检索高质量物品。在这些系统中，用户通常在跨场景下展现出一致的偏好（例如首页信息流和横幅区域），但他们的行为也受不同的上下文因素影响，如布局和交互方式（Cao et al., 2025）。因此，捕获共享偏好与场景特定上下文之间的关系对于模型准确性至关重要。在本文中，场景上下文指的是由平台提供的、用于区分同一应用内推荐环境的已观测类别属性，例如快手中的内容标签页或阿里妈妈的城市级别。现有方法通过采用调制技术来解决这一问题，例如注意力机制（Xie et al., 2020）、动态加权（Jiang et al., 2022）和门控机制（Jiang, Li, Zhu, Yu, Li, Xu, Dong, Zheng, 2022, Zhao, Gao, Xu, Chen, 2023），以在场景间转移共享偏好。然而，这些方法往往忽视了细粒度的用户特定建模，而是依赖粗粒度的场景特征，无法捕捉细微的行为差异，如图1(a)所示。

为弥补这一差距，我们提出了PERSCEN作为基础架构，这是一个以用户特定建模为核心的高效多场景匹配模型。具体而言，PERSCEN构建用户特定特征图，并利用轻量级图神经网络（GNN）来捕获用户特定的交互模式。为有效建模上下文差异，我们引入了一种基于向量量化的提取机制，从场景特定的行为序列中提炼出用户特定的、感知场景的偏好。最后，为高效融合共享偏好与上下文差异，我们设计了一种渐进式场景感知门控线性单元（GLU），实现自适应且高效的信息整合。该架构在挖掘具有丰富交互历史的活跃用户的个性化模式方面表现有效。

然而，PERSCEN对不同用户群体进行统一处理，并未显式考虑行为证据可靠性的差异。现实世界的工业数据表现出显著的异质性。如图1(b)所示，活跃用户和长尾用户的交互分布存在明显差异。长尾用户通常具有极其稀疏的历史记录，使其观测到的行为模式不够可靠。在这种情况下，未能估计证据可靠性可能导致模型对有限或噪声信号进行过度拟合。因此，模型需要根据可用行为证据的充分性来调节其对行为数据的依赖程度。

为解决这一局限性，我们将PERSCEN推广为PER-UHM，一个统一的感知不确定性的异构用户建模框架，在用户塔中融入了自适应不确定性感知先验融合（AUPF）机制。该机制根据证据置信度动态权衡用户画像（先验）和交互序列（行为）。我们通过双码本向量量化模块与不确定性门控机制的结合来实现这一整合。在行为证据充足的情况下，模型减弱先验分支，表现得与PERSCEN的行为主导建模路径类似。相反，在数据稀疏的情况下，模型更依赖稳定的画像先验，从而在单一框架内统一异构用户群体。

我们按照两阶段协议进行了广泛的实验。首先，我们评估基础PERSCEN在活跃用户上的细粒度偏好建模能力。其次，我们评估PER-UHM在兼顾活跃用户和长尾用户方面的有效性。结果表明，PER-UHM在保持活跃用户强劲性能的同时，为长尾用户带来了一致的提升。

与会议版本的差异：与我们的KDD 2025会议版本（Du et al., 2025）相比，本文在问题范围和方法论上都有实质性扩展。它通过PER-UHM将PERSCEN从活跃用户偏好建模推广到异构用户场景；在PER-UHM用户塔中引入了顺序感知行为聚合、不确定性感知双码本先验融合、数量-一致性感知证据校准以及证据依赖门控；并在数据集、基线、消融实验以及活跃用户、长尾用户和归纳新用户设置上扩展了实证评估。附录B.1提供了这些扩展的可视化总结。

章节摘要

多场景匹配问题

推荐系统（Bian, Huang, Ji, Liao, Li, Wang, Zhou, Dou, Wang, Xiong, 2023, Liu, Yao, Zhang, Chen, 2024b, Wu, Wang, Jing, Dong, Dou, Yao, 2023）通常运行在两个主要阶段：匹配和排序。在本文中，我们关注多场景匹配问题（Jiang, Li, Zhu, Yu, Li, Xu, Dong, Zheng, 2022, Xie, Qiu, Rao, Liu, Zhang, Lin, 2020, Zhang, Wang, Hu, Gao, Lei, Fang, 2022, Zhao, Gao, Xu, Chen, 2023），该问题旨在高效识别最相关的物品

细粒度偏好建模架构：PERSCEN

我们首先形式化多场景匹配问题（第3.1节），然后提出PERSCEN（图2），这是从行为丰富的历史中提取细粒度偏好的基础架构。

与学习粗粒度表示并主要捕获场景级差异的现有多场景方法不同，PERSCEN专注于细粒度的用户偏好建模。它生成的表示既具有用户特定性，反映个体之间的差异，又具有场景感知性，

统一的感知不确定性的异构用户建模框架：PER-UHM

在实际应用中，用户数据表现出不同程度的行为证据可靠性，从具有丰富历史的活跃用户到交互稀疏的长尾用户不等。虽然基础PERSCEN专为行为丰富的活跃用户设计，但还需要额外的机制来处理数据稀疏性并在不确定性估计之前保留对顺序敏感的行为信息。为此，我们提出了PER-UHM，一个泛化框架，融合了自适应

数据集

我们使用两个公开基准数据集（表1）：

• •
  (i) 快手纯净版（KuaiRand-Pure）（Gao et al., 2022）：该数据集收集自短视频平台快手的推荐日志。它包含从2022年4月8日至2022年5月8日共30天的交互日志。我们按如下方式划分数据：2022年4月8日至2022年4月21日为训练集，2022年4月22日至2022年4月28日为验证集，2022年4月29日至2022年5月8日为测试集。我们取标签页属性作为场景上下文。由于前四个场景占

PER-UHM实验

在本节中，我们评估PER-UHM作为统一框架的能力。与将活跃用户和长尾用户分别处理的标准方法不同，PER-UHM旨在在单一端到端架构中对整个用户谱系进行建模。我们的实验旨在回答以下研究问题：

• •
  RQ1：在异构用户场景下，PER-UHM是否在整个用户群体中实现了优越的总体性能？
• •
  RQ2：PER-UHM能否在不影响

结论

在本研究中，我们提出了PERSCEN，一个用于用户特定偏好建模的高效多场景匹配模型。PERSCEN结合了用户特定特征图、用于场景感知偏好提取的向量量化，以及用于自适应融合的渐进式场景感知GLU。我们进一步将PERSCEN推广为PER-UHM，一个统一的感知不确定性的异构用户建模框架。PER-UHM融合了自适应不确定性感知先验融合（AUPF），使用双码本向量

CRediT作者贡献声明

王瑞兵：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，方法论，数据管理。杜浩通：软件，方法论。姚泉明：写作 – 审阅与编辑，监督，基金获取。王雅清：验证，调查，概念构思。

利益冲突声明

作者声明他们不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

我们感谢匿名审稿人提出的宝贵意见。本研究得到国家自然科学基金（编号：U22B2036）、陕西省科技创新团队（编号：2025RS-CXTD-009）、陕西省国际合作项目（编号：2025GH-YBXM-017）以及中央高校基本科研业务费（编号：G2024WD0151，D5000240309）的资助。

王瑞兵|杜浩通|姚泉明|王雅清