Zero-Observation User Reactivation with Gap-Driven Dimensional Gating
基于间隙驱动的维度门控实现零观察用户重激活
🧭 长期不活跃用户的重激活与轻量插件 ★ 深度解读
Fudan University · Huawei Technologies
冻结序列推荐骨干，用维度门控融合历史与全局先验，从长间隔中恢复预测性能。
📌 工作参考价值（4 点）
- 轻量插件复用已有模型：冻结已有推荐模型（如SASRec、BERT4Rec）的骨干，仅训练一个66K参数的维度门控插件，可在不改变线上服务的前提下恢复长间隔用户的推荐效果，适合嵌入被多个下游服务共享的场景。
- 可解释的置信度监控：输出Historical Confidence Index（各维度门控均值），可实时观察不同间隙下模型对历史表示的信任程度，辅助运维与效果归因。
- 全局先验的离线学习与更新：用一个可学习的零初始化向量作为所有用户的通用fallback，训练后固定；对于品类快速变化的电商，可定期用新数据刷新该先验，低成本捕捉流行度漂移。
- 全量微调与插件的取舍策略：当允许更新骨干嵌入时，端到端重训可带来更高收益（如Hit@10从0.031提升至0.080）；当嵌入与召回、排序模型强耦合时，插件方案以零漂移和约40倍参数节省取得60%的增益，可作为平滑上线方案。