# 什么是用户短期兴趣和长期兴趣建模？

🚀 本文收录于Github：[AI-From-Zero](https://github.com/laizhuoc/AI-From-Zero) 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

> by @Laizhuocheng

---

## 一、简介

想象这样一个场景：你平时喜欢看科技评测视频，这是你的长期爱好。但某天你突然对露营产生了兴趣，连续看了几个露营装备的视频。这时候，推荐系统应该怎么给你推荐内容？

如果只推荐露营视频，可能过几天你兴趣转移了，系统还在推露营，你会觉得"这推荐真不准"。但如果继续只推科技视频，又会错过你当下的真实需求。

这就是推荐系统面临的核心挑战：**如何同时捕捉用户当下的即时兴趣（短期兴趣）和稳定的长期偏好（长期兴趣）**。理解这两者的区别和建模方法，是构建一个"懂你"的推荐系统的关键。

---

## 二、什么是用户短期兴趣和长期兴趣建模

用户兴趣建模，简单来说就是让机器理解"用户喜欢什么"。但人的兴趣其实是分层的：

**短期兴趣**反映的是用户当前的即时需求，就像你突然想吃火锅，或者临时需要买一个生日礼物。这类兴趣来得快、去得也快，通常只持续几分钟到几天。

**长期兴趣**代表的是用户稳定的偏好，比如你一直喜欢科幻小说、热爱篮球运动。这类兴趣形成时间长，变化缓慢，可能持续数月甚至数年。

两者的本质区别在于**时间尺度和稳定性**。如果用同一套方法去建模，要么推荐结果太"飘"（被一次误点击带偏），要么太"死板"（用户明明在探索新领域，系统还在推老内容）。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/3d17c359db538db203a785ee8d0e661f.png)

---

## 三、短期兴趣和长期兴趣如何建模

### 3.1 短期兴趣建模：捕捉当下的意图

短期兴趣的核心特征是**连贯性**和**会话性**。用户在一个时间窗口内的行为往往不是孤立的，而是有明确的目标导向。

举个例子：在电商场景，用户点击了一个登山包，接着看冲锋衣、帐篷、登山杖——这个序列明显指向"户外露营"这个即时意图。

**建模方法：**

1. **行为序列编码**：取用户最近 N 条行为（比如最近 20 次点击），将每个 item 转换成 embedding 向量，排成一个序列。

2. **序列模型选择**：
   - 早期常用 GRU 或 LSTM
   - 现在更多使用 Transformer 变体，因为它能更好地捕捉长距离依赖
   - 高并发场景下，可能会选择更轻量的模型，或者用蒸馏技术压缩大模型

3. **时间衰减机制**：越近的行为权重越高。常用指数衰减函数：`exp(-λΔt)`，其中 Δt 是时间差，λ 是衰减系数。

```java
// 时间衰减权重计算示例
public double calculateTimeDecay(long currentTime, long actionTime, double lambda) {
    long deltaTime = currentTime - actionTime;
    double deltaHours = deltaTime / (1000.0 * 3600);
    return Math.exp(-lambda * deltaHours);
}
```

4. **注意力机制（DIN 模型）**：用候选 item 去查询用户的历史行为序列，动态计算每个历史 item 的相关性权重。这种"看什么激活什么"的机制，天然契合短期兴趣的易变性。

### 3.2 长期兴趣建模：挖掘稳定的偏好

长期兴趣建模要解决的是**"从噪声中提取稳定信号"**的问题。用户几个月的行为数据里，有真实偏好，也有误点、朋友代操作、节日临时需求等噪声。

**建模方法：**

1. **统计聚合**：统计用户在各个品类的点击占比、购买频次、平均停留时长等指标，转化成特征向量。

2. **多兴趣网络**：一个用户往往有多个长期兴趣。比如 YouTube 的多兴趣网络，用聚类方法把用户历史行为 embedding 聚成 K 个簇（比如 K=5），每个簇代表一个独立的兴趣点。

3. **时间窗口选择**：长期兴趣通常使用 30 天到 90 天前的数据，排除最近的短期波动，让模型学习稳定模式。

4. **离线预计算**：长期兴趣向量通常是离线计算好的，存储在 Redis 等 KV 存储中，推荐时直接查询，保证实时性。

### 3.3 融合策略：让两者协同工作

单独使用短期或长期兴趣都有局限，实际应用中需要融合两者。

**召回阶段**：
- 用长期兴趣向量检索相似 item 库
- 用短期序列做实时的协同过滤
- 两路召回结果合并后再进入排序阶段

**排序阶段**：
- **拼接法（Concat）**：将短期特征和长期特征拼接后输入深度模型
- **门控机制（Gate）**：设计一个小型神经网络，根据用户上下文（时段、场景）动态调节两者权重

```java
// Gate 机制动态融合示例
public float[] fuseInterests(float[] shortTermInterest, 
                              float[] longTermInterest,
                              String scenario) {
    double gateValue = 0.5;
    
    // 搜索场景更依赖短期兴趣
    if ("search".equals(scenario)) {
        gateValue = 0.7;
    } else if ("browse".equals(scenario)) {
        gateValue = 0.3;
    }
    
    float[] result = new float[shortTermInterest.length];
    for (int i = 0; i < result.length; i++) {
        result[i] = (float)(gateValue * shortTermInterest[i] + 
                           (1 - gateValue) * longTermInterest[i]);
    }
    return result;
}
```
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/58fe2fed7ffbedcf89ce07ae678a43bd.png)

---

## 四、两种建模方式的优缺点

| 维度 | 短期兴趣建模 | 长期兴趣建模 |
|------|-------------|-------------|
| **优势** | 能及时响应用户当下需求；捕捉探索性兴趣；避免推荐过于固化 | 提供稳定的推荐基线；抗噪声能力强；适合冷启动后的持续推荐 |
| **劣势** | 容易受误点击干扰；可能过度敏感；需要实时计算，性能压力大 | 更新滞后；难以捕捉兴趣迁移；可能陷入"信息茧房" |
| **适用场景** | 搜索场景、实时推荐、用户活跃期 | 首页推荐、沉默用户唤醒、品类偏好预测 |
| **计算方式** | 在线实时计算 | 离线预计算 |
| **更新频率** | 每次交互后更新 | 按天或按周批量更新 |

---

## 五、实际应用与发展趋势

### 5.1 实际应用场景

**电商推荐**：
- 短期兴趣用于捕捉用户的即时购物意图（比如临时搜索"生日礼物"）
- 长期兴趣用于维护用户的品牌偏好、价格敏感度等稳定属性

**视频推荐**：
- 短期序列捕捉用户当前的观看主题（比如突然对露营感兴趣）
- 长期画像保证推荐的基本盘（比如一直喜欢科技内容）

**新闻资讯**：
- 短期兴趣占主导，因为新闻热点变化快
- 长期兴趣用于区分用户的大类偏好（科技 vs 娱乐）

### 5.2 当前局限性与改进方向

**局限性**：
1. **兴趣迁移处理不够灵活**：用户从学生变成职场人，兴趣发生根本性转变，但长期画像因为历史数据的惯性，更新较慢。
2. **冷启动问题**：新用户没有历史数据，两种建模方式都失效。
3. **正负样本不平衡**：用户点击了什么容易知道，但用户不喜欢什么很难准确获取。

**改进方向**：
1. **引入遗忘机制**：对过于陈旧的行为数据做指数衰减，让模型能更快适应兴趣迁移。
2. **强化学习探索**：让模型主动探索用户的新兴趣，而不是只基于历史数据。
3. **对比学习**：在多兴趣建模时，让同一用户的不同兴趣簇之间保持一定距离，避免它们学成同一个向量。
4. **流式计算架构**：用 Flink 等框架实现准实时更新，每小时聚合一次用户行为，及时更新长期画像。

### 5.3 未来发展趋势

1. **更细粒度的时间建模**：不只是区分短期和长期，而是建立连续的时间感知机制。
2. **多模态兴趣建模**：结合文本、图像、视频等多种模态理解用户兴趣。
3. **因果推断**：区分用户"真正喜欢"和"因为推荐而点击"的行为，建立更准确的兴趣模型。

---

## 六、总结与思考

用户短期兴趣和长期兴趣建模，本质上是让推荐系统学会"既懂你现在的需求，又记得你一直以来的喜好"。短期兴趣像是一个敏锐的雷达，捕捉当下的信号；长期兴趣则像是一个稳定的罗盘，指引推荐的基本方向。

> **思考**：人的兴趣本就是动态变化的，推荐系统追求的"精准"，究竟是让用户永远看到自己喜欢的内容，还是帮助用户发现新的可能性？也许最好的推荐，是在"懂你"和"带你探索"之间找到那个微妙的平衡点。

---

*参考资料：*
- DIN (Deep Interest Network) - Alibaba
- Multi-Interest Network for Dynamic Recommendation - YouTube
- 推荐系统实践 - 项亮


🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

什么是用户短期兴趣和长期兴趣建模？

想象这样一个场景：你平时喜欢看科技评测视频，这是你的长期爱好。但某天你突然对露营产生了兴趣，连续看了几个露营装备的视频。这时候，推荐系统应该怎么给你推荐内容？

数据开发/数据仓库

人工智能

算法

大数据

用户兴趣建模分为短期和长期兴趣，短期兴趣捕捉用户即时需求（如露营装备），长期兴趣反映稳定偏好（如科技评测）。推荐系统需结合两者，通过序列模型和统计聚合等方法实现精准推荐，平衡即时性与稳定性，避免信息茧房。

强化学习

Redis

2026采购季 | AI焕新·智启新局

oceanus

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

什么是用户短期兴趣和长期兴趣建模？-腾讯云开发者社区-腾讯云

什么是用户短期兴趣和长期兴趣建模？

什么是用户短期兴趣和长期兴趣建模？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐