本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

Feb, 2022

本研究通过构建行动图和高阶图特征提出了一种用户移动社交应用程序参与预测框架，并用于 150k Snapchat 新用户的预测。

Jun, 2019

在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Snapchat 会话，我们证明了过去行为可以预测主动和被动使用的模式（R2=0.345），而与行为基线模型相比，整合上下文信息可以显著提高预测性能（R2=0.522）。与从应用内行为历史中提取的特征相比，与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外，我们还发现，如果考虑当时的上下文信息，大部分变化都可以用极简的行为历史来解释（R2=0.44）。这些结果表明，上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后，我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致，突显了上下文化用户行为表示对于预测社交平台用户参与的价值。

Oct, 2023

该论文提出了一种大规模的流失预测解决方案，使用经过半监督和归纳嵌入模型的深度神经网络以及独特的边嵌入技术来捕捉上下文信息和关系动态，同时考虑拓扑邻接和属性相似度， 以预测用户在移动游戏中的流失行为，并在三星游戏启动器平台上的真实世界数据上证明了其优越性。

Aug, 2018

我们提出一个方法，通过使用多模态用户活动的序列基本特征学习模块进行异步学习，可以为每天数十亿用户学习高逼真的用户嵌入。这些异步学习的用户表示嵌入（ALURE）通过图学习转化为用户相似性图，并与用户实时活动相结合，为整个广告发布系统检索与之高度相关的广告候选项。在线下和在线实验中，我们的方法显示出显著的增益。

Jun, 2024

本研究提出了基于大型语言模型嵌入的移动应用预测模型（MAPLE），以应对移动应用预测中复杂的用户行为和不断演化的环境。通过对两个公共数据集的严格测试，结果表明 MAPLE 能够准确解读复杂模式并理解用户背景。这些强大的结果确认了 MAPLE 在不同场景中的多功能性和适应性。虽然其主要设计面向应用预测，但研究结果也强调了大型语言模型在不同领域中的广泛适用性。通过这项研究，我们强调了大型语言模型在应用使用预测中的潜力，并建议它们在模拟人类行为方面具有改变性的能力。

Sep, 2023

该研究回顾了最近在社交媒体用户的表征学习领域的进展，并提供了从异构用户数据（例如，将社交媒体文本与图像相结合来学习统一用户表征）中学习统一用户嵌入的典型方法，该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要。

Jun, 2019

我们提出了一个新颖的框架，用于大规模推荐系统中用户的表示，旨在以一种广义的方式有效地表示多样化的用户喜好。我们的方法采用了一种两阶段的方法，结合表示学习和迁移学习。表示学习模型使用自编码器将各种用户特征压缩成表示空间。在第二阶段，特定于任务的下游模型通过迁移学习利用用户表示，而不是单独地整理用户特征。我们进一步改进了这种方法的输入特征，以增加灵活性并实现对用户事件（包括新用户体验）的近实时反应。此外，我们提出了一种新的解决方案，以管理此框架在生产模型中的部署，允许下游模型独立工作。我们通过大规模系统中的严格离线和在线实验验证了我们框架的性能，展示了其在多个评估任务中的显着功效。最后，我们展示了所提出的框架如何显著降低基础设施成本，相比于其他方法。

Mar, 2024

通过将用户历史数据嵌入模型中，并用其作为软提示，我们展示了一种在处理较长历史文本时具有优势的方法，可用于提高推荐系统的效果。

Jan, 2024

本文介绍了一种基于双向递归神经网络和嵌入式问题 - 答案对的关注机制的神经教学代理，用于实时预测移动教育应用用户响应正确性的任务。通过在名为 SantaTOEIC 的移动教育应用程序上进行的实验证明，我们的模型优于现有方法，并且在新用户中表现出色，同时提供了一种可解释的教育平台，其中包括智能复习系统。

Jun, 2019