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 ba thách thức chính của mô hình đa sở thích trong các hệ thống đề xuất thực tế (RS): 1. sở thích bất biến được trích xuất từ kiến thức bên ngoài được xác định trước, 2. chiến lược khai thác quá mức tập trung vào việc khớp các sở thích hiện có, và 3. thiếu khả năng khám phá sở thích mới. SPARC sử dụng Bộ mã hóa Tự động Biến thiên Lượng tử Dư (RQ-VAE) để xây dựng một không gian sở thích rời rạc, sau đó được huấn luyện cùng với một mô hình đề xuất quy mô lớn để khai thác các sở thích dựa trên hành vi, phát triển động và phản ánh phản hồi của người dùng. Hơn nữa, một mô-đun sở thích xác suất dự đoán phân phối xác suất trên toàn bộ không gian sở thích rời rạc động cho phép một chiến lược "tìm kiếm mềm" hiệu quả trong quá trình suy luận trực tuyến, chuyển đổi mô hình từ khớp thụ động sang khám phá chủ động và tạo điều kiện thuận lợi cho việc khám phá sở thích. Thử nghiệm A/B trên một nền tảng công nghiệp với hàng chục triệu người dùng hoạt động hàng ngày đã mang lại những kết quả đáng kể, bao gồm thời gian xem của người dùng tăng +0,9%, lượt xem trang (PV) tăng +0,4% và PV500 (nội dung mới đạt 500 PV trong vòng 24 giờ) tăng +22,7%. Các đánh giá ngoại tuyến sử dụng tập dữ liệu Sản phẩm của Amazon cũng liên tục cho thấy sự cải thiện trong các chỉ số như Recall@K và NDCG@K.
