Cet article propose un nouveau cadre de recherche, SPARC (Soft Probabilistic Adaptive Retrieval Model via Codebooks), pour relever les principaux défis de la modélisation multi-intérêts dans les systèmes de recommandation (RS) réels. Pour surmonter les intérêts fixes et les stratégies de correspondance passive des méthodes existantes (Limitations), nous utilisons l'autoencodeur variationnel quantifié résiduel (RQ-VAE) pour construire un espace d'intérêt discret qui évolue dynamiquement en fonction du comportement de l'utilisateur, et introduisons un module d'intérêt probabiliste qui prédit la distribution de probabilité sur l'ensemble de l'espace d'intérêt. Cela fait passer le paradigme de la « correspondance passive » à « l'exploration active » dans l'inférence en ligne, améliorant ainsi efficacement la découverte de nouveaux intérêts. Les tests A/B sur une plateforme industrielle comptant des dizaines de millions d'utilisateurs actifs quotidiens ont montré des résultats tels qu'une augmentation de +0,9 % du temps de visionnage, de +0,4 % des pages vues et de +22,7 % du PV500 (nouveau contenu atteignant 500 PV en 24 heures). Lors d'une évaluation hors ligne utilisant l'ensemble de données Amazon Product, nous avons également confirmé des améliorations dans les mesures Recall@K et NDCG@K.
