Cet article propose un nouveau cadre de recherche, SPARC (Soft Probabilistic Adaptive Retrieval Model via Codebooks), pour répondre à trois défis clés de la modélisation multi-intérêts dans les systèmes de recommandation pratiques (RS) : 1. intérêts invariants extraits de connaissances externes prédéfinies ; 2. stratégies de surexploitation axées sur la correspondance des intérêts existants ; et 3. manque de découverte de nouveaux intérêts. SPARC utilise un auto-encodeur variationnel quantifié résiduel (RQ-VAE) pour construire un espace d'intérêts discret, qui est ensuite entraîné parallèlement à un modèle de recommandation à grande échelle pour exploiter les intérêts comportementaux qui évoluent dynamiquement et reflètent les retours des utilisateurs. De plus, un module d'intérêts probabilistes qui prédit la distribution de probabilité sur l'ensemble de l'espace d'intérêts discrets dynamiques permet une stratégie de « recherche douce » efficace lors de l'inférence en ligne, faisant passer le paradigme de la correspondance passive à l'exploration active et facilitant efficacement la découverte d'intérêts. Les tests A/B effectués sur une plateforme sectorielle comptant des dizaines de millions d'utilisateurs actifs quotidiennement ont produit des résultats significatifs, notamment une augmentation de 0,9 % du temps de visionnage, de 0,4 % des pages vues (PV) et de 22,7 % des PV500 (nouveau contenu atteignant 500 PV en 24 heures). Les évaluations hors ligne utilisant l'ensemble de données Amazon Product ont également montré des améliorations constantes de mesures telles que Recall@K et NDCG@K.
