Interest Clock 兴趣时钟

论文由字节跳动团队撰写，聚焦实时流推荐系统中的时间感知问题，提出了一种名为 “Interest Clock” 的方法，旨在捕捉用户随时间动态变化的偏好，核心内容总结如下：

一、研究背景与问题

用户偏好具有时间动态性（如早间偏好新闻、晚间偏好电影），但现有推荐系统的时间建模存在局限：

• 传统时间编码方法（将小时、星期编码为离散嵌入）在实时流训练框架中失效 —— 流框架下同一时刻的训练样本时间特征相同，导致模型仅拟合当前时间信息，忽略其他时段，引发周期性波动和不稳定性。
• 其他方法（如外卖推荐的时间段划分、序列模型中的时间间隔编码）难以适配短视频、音乐等多场景，且无法直接建模时间动态偏好。

二、核心方法：Interest Clock

Interest Clock 通过 “编码 - 平滑聚合” 两步实现时间感知，具体流程如下：

1. 小时级个性化特征编码
   将一天划分为 24 个小时桶，基于用户过去 30 天每个小时的消费数据（如喜欢、完成、跳过、不喜欢等行为），计算用户在该小时对特定特征（如音乐类型、情绪、语言）的偏好分数（公式：

2. ，提取 top3 特征作为该小时的时间感知特征，形成 24 小时的 “时钟” 特征（如v_time^genre表示各小时的类型偏好嵌入）。

3. 高斯分布平滑聚合
   为解决离散小时特征导致的兴趣突变问题，采用高斯分布对 24 小时特征进行加权聚合：

   

   • 计算当前时间与每个小时的最小时间差δ_time；
   • 用高斯函数生成权重，距离当前时间越近的小时权重越高；
   • 加权求和得到最终兴趣时钟嵌入v_clock，与其他特征拼接后输入深度网络用于预测。

三、实验结果

1. 在线 A/B 测试
   在抖音音乐 App 的排序任务中，Interest Clock 部署后：

   • 核心指标：用户活跃天数提升 0.509%，应用时长提升 0.758%（均为统计显著，远超行业平均 0.05%-0.1% 的提升）；
   • 辅助指标：点赞、完成播放、评论、播放量等用户参与度指标均有改善，且对低、中、高活跃用户组均有效。

2. 离线实验
   在含 200 亿样本的抖音音乐数据集（DouyinMusic-20B）上，高斯时钟（Gaussian Clock）的 AUC（0.6695）和 UAUC（0.6069）显著优于基线（0.6631/0.6007）及其他变体（Naive Clock、Adaptive Clock），验证了高斯平滑的有效性。

四、结论与应用

Interest Clock 是首个针对实时流推荐系统的时间感知方法，通过个性化小时特征与高斯平滑，有效解决了传统时间建模的局限性。该方法已在抖音音乐 App 大规模部署，在提升用户活跃度和使用时长上表现显著，且具备场景通用性。