Tim Shen1. 推荐系统中的偏好捕捉难题
在传统推荐系统中，用户偏好通常通过显式反馈（如评分、点赞）或隐式反馈（如点击、浏览时长）来建模。然而，这些方法存在明显的局限性——它们只能捕捉用户明确表达的行为信号，却无法识别那些隐藏在行为序列背后的"弦外之音"。
举个例子，当用户在电商平台快速滑动浏览多款相似商品时，传统模型可能简单地将其归类为"对该类商品不感兴趣"。但实际上，这种浏览模式可能暗示用户正在进行比较购物，背后隐藏着强烈的购买意向。类似地，在视频平台中，用户反复暂停、回放某个片段的行为，也不应被简单等同于观看时长，而是对内容深度兴趣的信号。
这些未被充分挖掘的行为模式，本质上是一种"频域特征"——它们反映了用户交互行为在时间维度上的波动规律。就像音频信号可以通过傅里叶变换分解为不同频率的成分，用户行为序列中也蕴含着高频（快速操作）、低频（长时间停留）等特征，这些恰恰是传统推荐系统忽略的宝贵信息。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. WEARec 的核心创新：频域视角的推荐范式
苏州大学团队提出的WEARec（Wavelet-based Embedding for Augmented Recommendation）框架，从根本上改变了推荐系统的特征提取方式。其核心在于将用户-物品交互序列视为时间序列信号，通过小波变换（Wavelet Transform）将其分解到频域进行分析。
2.1 小波变换的优势选择
与传统的傅里叶变换相比，WEARec采用小波变换主要基于三个关键考量：
-
时频局部化能力：傅里叶变换只能提供全局频率信息，而小波变换可以同时捕捉信号的频率特征和时间位置。这对于分析用户行为序列中的瞬时模式（如突然的密集点击）至关重要。
-
多分辨率分析：通过调整小波基函数的缩放参数，可以在不同粒度上分析用户行为。例如：
- 高频分量捕捉短期兴趣波动（如比价行为）
- 低频分量反映长期稳定偏好（如品牌忠诚度）
-
自适应基函数：Daubechies小波基的使用允许模型根据数据特性自动调整，避免了人为设定频率窗口的偏差。下表对比了不同变换方法的特性：
| 特征提取方法 | 时域信息保留 | 频域分辨率 | 计算复杂度 | 适合场景 |
|---|---|---|---|---|
| 原始序列 | 完整 | 无 | 低 | 简单模式 |
| 傅里叶变换 | 无 | 均匀 | 中 | 周期信号 |
| 小波变换 | 部分 | 自适应 | 较高 | 瞬态信号 |
2.2 双通道特征融合架构
WEARec的创新架构包含两个并行通道：
时域通道：
- 采用标准的注意力机制处理原始交互序列
- 捕捉显式的行为关联和顺序依赖
- 输出时域用户表征 $u_t$
频域通道：
- 对行为序列进行离散小波变换（DWT）
- 对高频/低频分量分别应用卷积滤波
- 通过动态门控机制融合多尺度特征
- 输出频域用户表征 $u_f$
最终用户表征通过自适应加权融合：
$$ u = \alpha \cdot u_t + (1-\alpha) \cdot u_f $$
其中权重参数$\alpha$通过用户活跃度动态调整——对行为稀疏的用户，增大频域特征的权重以弥补数据不足。
3. 实现细节与工程优化
3.1 小波基函数选型实践
在实验阶段，团队测试了多种小波基函数的效果：
- Haar小波：计算简单但频带划分粗糙，在Amazon数据集上NDCG@10下降2.3%
- Daubechies(db4)：在计算成本和频率分辨率间取得平衡，最终选用
- Symlets：性能接近db4但训练时间增加15%
- Coiflets：对长序列表现优异但内存占用过高
实际部署时，建议先通过小规模实验确定最佳基函数。一个实用的选择策略是：
python复制def select_wavelet(dataset):
if seq_len < 50: return 'haar'
elif 50 <= seq_len < 200: return 'db4'
else: return 'sym4'
3.2 频域特征的实时计算
为满足线上服务的低延迟要求，WEARec实现了以下优化：
- 滑动窗口DWT：对用户最近N个行为维护环形缓冲区，每次新行为触发局部变换而非全序列重算
- 频域特征缓存：对低频分量（变化较慢）延长缓存时间，高频分量实时更新
- 量化加速：将小波系数从FP32转为INT8，实测精度损失<0.5%但速度提升2.1倍
在淘宝场景的AB测试中，优化后的p99延迟从87ms降至39ms，完全满足生产环境要求。
4. 实战效果与业务启示
4.1 跨领域性能对比
在五个公开数据集上的实验表明，WEARec相对基线模型有显著提升：
| 数据集 | NDCG@10提升 | 覆盖率提升 | 长尾物品曝光增长 |
|---|---|---|---|
| Amazon-Book | 12.7% | 9.3% | 23.1% |
| MovieLens | 8.5% | 6.2% | 17.8% |
| Taobao | 14.2% | 11.4% | 28.6% |
特别值得注意的是，WEARec在冷启动用户（交互<5次）上的表现尤为突出，NDCG@10平均提升达19.3%。这表明频域特征有效弥补了稀疏数据下的信号不足问题。
4.2 业务落地建议
基于项目实践经验，给出以下落地建议：
-
行为序列预处理：
- 对停留时间等连续值进行对数变换，避免数值跨度太大影响小波分析
- 对类别型行为（如收藏/加购）采用one-hot编码后再计算频域特征
-
关键参数调优：
- 频域通道权重$\alpha$初始设为0.3，根据用户活跃度动态调整
- 小波分解层数建议3-5层，过多会导致高频噪声放大
-
AB测试指标设计：
- 除常规CTR、转化率外，应新增"用户行为多样性"指标
- 监控长尾物品的曝光分布变化，避免过度个性化带来的信息茧房
5. 频域推荐的前沿展望
WEARec的成功实践揭示了时序行为分析的新方向。我们正探索以下延伸方向：
- 跨平台频域对齐：将用户在多个平台的行为序列视为多通道信号，研究跨域的小波特征迁移
- 动态基函数学习：让模型自动学习最优的小波基函数，取代人工选择
- 频域对抗训练：通过频域扰动增强模型鲁棒性，抵御行为注入攻击
这种频域视角的推荐范式，可能重新定义我们理解用户行为的方式——不再将每次交互视为孤立事件，而是将其作为连续信号中的有机组成部分。当2026年研究者们回望推荐系统的发展轨迹时，WEARec或许会被视为开启这个新纪元的里程碑之作。