MuSeR：具有多兴趣建模的可扩展长序列推荐

超长的用户行为序列携带着稳定且多样化的偏好的丰富信号，但工业推荐系统通常在严格的延迟和内存预算下将历史截断为数百个动作，从而导致长期兴趣未得到充分利用。用户还跨新闻、问答和短视频等方式追求多种异构意图，而仅靠稀疏 ID 嵌入很难表示这些意图。我们提出了多兴趣序列表示（MuSeR），这是一个基于已部署的 MGS 系统构建的检索框架，它集成了三个组件：（i）分层时间压缩，它以全分辨率保留最近的操作，同时逐步池化较旧的片段，以便每用户 10^{4}$-$10^{5}$ 交互历史记录适合固定的服务预算； (ii) 通过正交正则化解开多查询兴趣提取； (iii) 多模态语义对齐，通过从大型语言模型中提取的文本摘要来增强稀疏项目 ID。对于工业部署，MuSeR 进一步采用异步用户表示刷新、自适应缓存和跨异构硬件的分层波束搜索检索。在三个公共基准和大规模工业数据集上，MuSeR 在强大的长序列和多兴趣基线上持续改进 Recall@$K$。在百度 APP 的首页 feed、发现 feed 和短视频场景的在线 A/B 测试中，MuSeR 的日活跃用户数增加了 0.26%，总会话时长增加了 0.89%（两者均具有统计显着性，p<0.05），同时降低了服务延迟和成本。我们的贡献不是提出新的建模原语，而是系统级集成，使长期、多利益和多模式建模可联合部署在实时生产管道中，以及维持它所需的工程实践。