推荐系统用户留存优化——论文阅读《Interpretable User Retention Modeling in Recommendation》-CSDN博客

本文链接：https://blog.csdn.net/weixin_51423498/article/details/146885425

推荐系统中的可解释用户留存优化框架：论文精读与方法解析

在推荐系统的研究与实践中，我们长期以来关注点击率（CTR）、转化率（CVR）、曝光量（Impression）等短期行为指标。然而，随着用户增长放缓和竞争加剧，平台更希望达成的目标是：用户是否愿意持续回来使用系统，也就是“用户留存（User Retention）”。

本文精读 RecSys 2023 最佳短文奖论文《Interpretable User Retention Modeling in Recommendation》，介绍其提出的 IURO 框架，并结合我的理解进行理论与方法拆解。

一、用户留存优化为何重要？

传统推荐系统追求即时反馈指标，但这些指标并不能反映用户的长期满意度。

📉 用户流失是平台衰退的早期信号
📈 用户留存是平台生命周期与内容生态健康度的关键指标

尤其在教育、视频、社交平台中，用户的长期回访价值远远高于单次点击价值。

二、IURO：可解释的用户留存优化框架

论文提出了一种用于推荐系统的可解释留存优化方法，名为：

IURO（Interpretable User Retention-Oriented Optimization）

目标是：

不仅预测用户是否会回来（留存），还要解释为什么回来
找出促成用户留存的“关键内容” → aha items

三、IURO 的模型结构（两大核心模块）

在这里插入图片描述

1. 对比多实例学习模块（CMIL）

将用户行为序列视为多个“行为实例”
使用多实例学习（MIL）方式，为每个行为分配一个“留存贡献分数”
通过 对比学习，强化高留存行为与低留存行为的区分度

2. 因果合理性多实例学习模块（RMIL）

分析用户“未来行为”，学习未来内容的偏好分布
与历史行为匹配，用于指导模型学习“哪些历史行为更可能促成未来回访”
引入 JS 散度损失，将 CMIL 和 RMIL 的行为分布对齐，增强因果一致性

四、实验结果与效果分析

数据集

ZhihuRec-1M：知乎匿名用户行为数据集
工业级数据集：真实线上推荐系统行为日志（百万级）

模型表现（AUC）

模型	ZhihuRec	Industry
Base MLP	0.7180	0.6827
IURO-MIL	0.8269	0.7209
IURO-CMIL+MSS	0.8437	0.7291

在线实验（A/B 测试）

指标	实验组提升
次日留存率	+0.76%
三日留存率	+0.65%
平均点击数	+0.21
平均停留时长	+1.32%

说明：IURO 能有效提升用户留存而不损害短期指标表现。

五、模型可解释性分析亮点

高留存用户行为中，出现频率最多的内容为“积极/高质量/正向价值”主题
留存高的用户，其次日点击内容与初次“aha item”重合度高达 64.66%
模型能识别“导致用户回来”的行为，并在序列中赋予更高 attention 分数

六、论文总结与启发

本文带来了三点重要启示：

用户留存应作为独立优化目标建模，不能只依赖点击等间接指标
行为解释性对留存建模非常关键，有助于设计更合理推荐策略
未来行为可以作为反向信号监督历史行为建模

七、参考链接

论文原文：ACM RecSys 2023
官方代码：GitHub - dinry/IURO