机器学习与深度学习 / 系统课时

用时间衰减表达兴趣新鲜度

用时间衰减表达兴趣新鲜度

本节解决“很久以前的点击为什么还在影响今天推荐”的问题。我们用半衰期把行为年龄转换为连续权重,再比较短半衰期与长半衰期对点击、购买等行为的影响,最后给出接入排序和验证参数的方式。

学习目标

  • 用半衰期定义可解释的指数时间衰减
  • 为点击、购买等不同行为选择不同衰减速度
  • 通过离线回放和线上指标判断半衰期是否合理

用半衰期定义衰减

设行为距当前请求已经过去 tt 天,半衰期为 HH 天,可以使用:

w(t)=2−t/Hw(t)=2^{-t/H}

当 t=0t=0 时权重为 1;当 t=Ht=H 时权重恰好降为 0.5;经过两个半衰期后变为 0.25。半衰期比直接设置“7 天后清零”更平滑,也更容易向业务解释。

不同半衰期的时间衰减曲线对比

比较不同半衰期的实际权重

下面的示例同时比较 1 天和 7 天半衰期,并为点击与购买设置不同的衰减速度。购买行为的基础重要性设为 3,是为了演示“行为价值”和“时间新鲜度”可以分开建模。

python
def decay(age_days: float, half_life_days: float) -> float:
    if age_days < 0:
        raise ValueError("age_days must be non-negative")
    if half_life_days <= 0:
        raise ValueError("half_life_days must be positive")
    return 2 ** (-age_days / half_life_days)

ages = [0.5, 2, 7, 30]

for half_life in (1, 7):
    weights = [round(decay(age, half_life), 4) for age in ages]
    print(f"H={half_life}d: {weights}")

history = [
    {"event": "click", "age_days": 0.5, "base_value": 1.0},
    {"event": "click", "age_days": 7, "base_value": 1.0},
    {"event": "purchase", "age_days": 14, "base_value": 3.0},
]
half_life_by_event = {"click": 2, "purchase": 14}

interest_score = 0.0
for event in history:
    half_life = half_life_by_event[event["event"]]
    # 行为基础价值与时间权重分开,便于独立调参和解释。
    interest_score += event["base_value"] * decay(event["age_days"], half_life)

print(f"mixed_interest={interest_score:.4f}")

预期输出:

text
H=1d: [0.7071, 0.25, 0.0078, 0.0]
H=7d: [0.9517, 0.8203, 0.5, 0.0513]
mixed_interest=2.4293

30 天行为在 1 天半衰期下并非数学意义上的绝对 0,只是四位小数显示为 0.0000。排序系统通常可以接受这种极小权重自然消失,而不需要额外设置硬截断。

不同行为不要共用一个衰减速度

点击往往表示短期兴趣,适合较短半衰期;购买、收藏或长期订阅通常更稳定,可以使用更长半衰期。具体数值不要照搬固定答案,而应从业务节奏和验证数据中选择。

例如新闻推荐可能让点击在数小时到数天内快速衰减,而耐用品电商中的购买偏好可以保留数周甚至更久。若所有行为共用同一半衰期,要么陈旧点击长期占权重,要么高价值购买过快失效。

行为价值也不应偷偷混进半衰期。base_value 回答“这种行为本身有多重要”,half_life_days 回答“这种行为多久会过时”,两者职责分离后更容易调参与解释。

把衰减接入排序特征

最直接的方式是把时间衰减后的点击数、购买数、品类偏好分数作为排序模型输入,而不是把所有历史行为永久累计。计算时的“当前时刻”必须是该样本或请求的真实发生时刻。

离线训练尤其要避免使用任务执行当天作为参照点。假设训练样本发生在 9 月 1 日,就只能计算 9 月 1 日之前行为相对该时刻的年龄;如果用 9 月 14 日统一回算,会改变历史样本的权重分布,甚至引入未来信息。

用回放和线上实验选择半衰期

半衰期应先在时间切分的验证集上比较,再通过线上实验确认。离线可以观察排序指标、Top-K 中旧行为占比和推荐内容新鲜度;线上则重点看点击率、转化率、停留时长以及长期留存是否同时改善。

调参时一次只改变少量行为的半衰期,并保留候选值,例如点击测试 1、2、7 天,购买测试 7、14、30 天。若短半衰期提高点击率却明显降低转化,说明系统可能过度追逐瞬时兴趣;若长半衰期让结果长期不变,则说明陈旧历史仍然占主导。

时间衰减的价值不在于“越新越好”,而在于让每类行为以符合业务节奏的速度失效。半衰期、行为基础价值和样本时间锚点三者分开管理,兴趣新鲜度才既可解释又可稳定验证。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用时间衰减表达兴趣新鲜度

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通