Resumen: Las secuencias de comportamiento del usuario en los sistemas de recomendación modernos exhiben una heterogeneidad de longitud significativa, que va desde escasas interacciones de corto plazo hasta ricas historias de largo plazo. Si bien las secuencias más largas brindan más contexto, observamos que aumentar la longitud máxima de la secuencia de entrada en los modelos CTR existentes paradójicamente degrada el rendimiento para los usuarios de secuencias cortas debido a la polarización de la atención y el desequilibrio de longitud en los datos de entrenamiento. Para abordar esto, proponemos LAIN (Red de interés adaptativa de longitud), un marco plug-and-play que incorpora explícitamente la longitud de la secuencia como una señal condicionante para equilibrar el modelado de secuencias largas y cortas. LAIN consta de tres componentes livianos: un codificador de longitud espectral que asigna la longitud a representaciones continuas, indicaciones condicionadas por longitud que inyecta señales contextuales globales en ramas de comportamiento a largo y corto plazo, y atención modulada por longitud que ajusta de forma adaptativa la nitidez de la atención en función de la longitud de la secuencia. Amplios experimentos en tres puntos de referencia del mundo real en cinco potentes pilares de CTR muestran que LAIN mejora constantemente el rendimiento general, logrando hasta un 1,15 % de ganancia de AUC y una reducción de la pérdida de registros del 2,25 %. En particular, nuestro método mejora significativamente la precisión para los usuarios de secuencias cortas sin sacrificar la efectividad de las secuencias largas. Nuestro trabajo ofrece una solución general, eficiente y desplegable para mitigar el sesgo inducido por la longitud en la recomendación secuencial.
Publicado originalmente en export.arxiv.org el 27 de enero de 2026.
Ver fuente original
