本論文は、実際の推薦システム（RS）における多重関心モデリングの3つの主な課題（1.事前定義された外部知識から抽出された不変の関心、2.既存の関心マッチングに重視された過剰な活用戦略、3.新しい関心発見不足）を解決するための新しい検索フレームワークであるSPARC（Soft Probabilistic Adaptive Retrieval） SPARCは、RQ-VAE（Residual Quantized Variational Autoencoder）を使用して離散的な関心空間を構築し、それを大規模な推奨モデルと一緒に学習して、ユーザーのフィードバックを反映して動的に進化する行動ベースの関心事を採掘します。さらに、ダイナミックな離散的な関心領域全体の確率分布を予測する確率的関心モジュールを介してオンライン推論中に効率的な「ソフト検索」戦略を可能にし、パッシブマッチングからアクティブナビゲーションにパラダイムを切り替え、興味の発見を効果的に促進します。数千万人の日々アクティブユーザーを保有する産業プラットフォームでのA/Bテストの結果、ユーザー視聴時間+0.9%、ページビュー(PV)+0.4%、PV500(24時間内に500 PVに達する新しいコンテンツ)+22.7%増加など、かなりの成果を収めました。 Amazon Product データセットを使用したオフライン評価でも、Recall@K や NDCG@K などの指標が一貫して改善されました。
