Статья BehaveRec изучает, когда длительная история поведения помогает последовательным рекомендациям
Авторы представляют BehaveRec — трёхсигнальную архитектуру для последовательных рекомендаций, объединяющую каузальный session-transformer, двунаправленный энкодер 90-дневной пользовательской истории и GraphSAGE-граф по сходству поведенческих эмбеддингов с обучаемым гейтом. На промышленном наборе данных (137M последовательностей, 12.6M пользователей) BehaveRec улучшает R@5 на +3.2% относительно SASRec (и на +2.5% относительно SASRec с бо́льшей вместимостью); выигрыш пренебрежим при <~10 взаимодействиях, растёт с богатством истории (до +0.017 R@5 при 101+ событий), предложено практическое правило развёртывания — ≈20 взаимодействий на пользователя, при этом результаты на полном словаре предметов остаются смешанными и не претендуют на окончательное утверждение.