Bài báo này đề xuất một khuôn khổ truy xuất mới, SPARC (Mô hình Truy xuất Thích ứng Xác suất Mềm thông qua Sổ mã), để giải quyết những thách thức cốt lõi của mô hình đa sở thích trong các hệ thống đề xuất (RS) thực tế. Để khắc phục các sở thích cố định và chiến lược khớp lệnh thụ động của các phương pháp hiện có, chúng tôi sử dụng Bộ mã hóa Tự động Biến thiên Lượng tử Dư (RQ-VAE) để xây dựng một không gian sở thích rời rạc, phát triển động dựa trên hành vi người dùng, và giới thiệu một mô-đun sở thích xác suất dự đoán phân phối xác suất trên toàn bộ không gian sở thích. Điều này chuyển đổi mô hình từ "khớp lệnh thụ động" sang "khám phá chủ động" trong suy luận trực tuyến, giúp tăng cường hiệu quả việc khám phá các sở thích mới. Thử nghiệm A/B trên một nền tảng công nghiệp với hàng chục triệu người dùng hoạt động hàng ngày đã cho thấy kết quả như thời gian xem của người dùng tăng +0,9%, lượt xem trang tăng +0,4% và PV500 (nội dung mới đạt 500 PV trong vòng 24 giờ) tăng +22,7%. Trong quá trình đánh giá ngoại tuyến sử dụng bộ dữ liệu Sản phẩm của Amazon, chúng tôi cũng xác nhận những cải tiến trong số liệu Recall@K và NDCG@K.
