摘要

本文由印度管理学院印多尔分校的Pranav Vacharajani和Pritam Ranjan教授共同撰写，探讨了动态用户档案嵌入在社交媒体个性化体验中的影响。研究通过分析超过两千万的数据点，比较了多语言和英语转换器模型在动态和静态用户档案嵌入中的表现。研究证实，动态嵌入能够成功追踪用户不断变化的品味和偏好，提供更准确的推荐和用户参与度，对于旨在通过相关功能和复杂推荐引擎提升用户体验的社交媒体平台具有重要意义。

原理

研究采用转换器模型，特别是基于自注意力机制的模型，这些模型在自然语言处理任务中表现出色，并适用于分析噪声和不结构化的社交媒体数据。通过动态更新用户档案嵌入，模型能够实时反映用户兴趣和偏好的变化，从而提高推荐的相关性和准确性。此外，研究还引入了多种时间衰减函数，如指数衰减、对数衰减等，以模拟数据随时间的相关性变化，进一步优化推荐系统的性能。

流程

研究首先通过Twitter API收集了100位最具影响力的用户的活动数据及其1000名最活跃追随者的数据，总计约2000万条数据点。随后，使用多种预训练的转换器模型（如MiniLM、DistilUSE Multilingual、MPNet和Jina）生成文本嵌入，并应用不同的时间衰减函数调整这些嵌入的权重。最后，通过计算嵌入之间的相似度，评估不同模型和衰减函数的效果，确保推荐内容与用户当前的兴趣和行为相匹配。

应用

该研究的方法和发现可广泛应用于社交媒体平台、电子商务网站和内容流媒体服务，以提升个性化推荐系统的准确性和用户满意度。特别是在需要实时更新和适应用户行为变化的场景中，动态用户档案嵌入技术显示出巨大的潜力和优势。