POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation
POEM：基于部分有序序列的实时用户兴趣建模
🧭 实时序列推荐 · 排序信号利用 ★ 深度解读
Kuaishou Technology
用上一次请求的多目标排序分数构造部分有序输入序列，实现请求级实时用户表征学习，在线 A/B 观看时长分别提升 0.249% 和 0.213%
📌 工作参考价值（4 点）
- 用上游排序结果构造动态输入序列：在每个请求到来时，取出用户上一次请求中排序阶段的多目标分数（CTR、CVR、观看时长），通过分组随机采样形成 64 长度的部分有序序列。该序列作为第二塔的输入，让用户表示每次请求都能刷新，即使没有新的点击行为也能捕捉兴趣漂移。这一机制可直接移植到电商搜索推荐的精排后、召回/粗排前的实时嵌入更新链路。
- 逆排名加权融合多目标分数：简单平均会因量纲和重要性差异导致融合失效。POEM 对每个目标分数按排名取倒数（1/rank），再做加权平均，得到的优先级分数天然归一，且可灵活调整目标权重。工程上只需存储上一次请求的候选集分数和排名，计算开销极小。
- 双正样本 + 图增强硬负样本的层次化训练：正样本同时包含用户真实正向反馈（点击/长播放）和系统最高分候选（蒸馏排序偏好），缓解曝光偏差并提升召回与下游排序的一致性（级联意识）。硬负样本从 Swing 图检索相似项，并做概率采样（选第三低相似度或随机），比 in-batch 随机负例带来更精细的决策边界，提升 HR@50 约 8%。电商场景可复用此方案，用商品共现图或语义图替换 Swing 图。
- 因果性在线架构：严格遵循“用上一次请求的排序结果构造本次请求的表示”的因果时序，避免未来信息泄露。在线部署时仅需缓存一次请求的 top 候选和多目标分数，推理延迟可控制在毫秒级。这一设计原则对需要实时更新的检索模型很重要。