基于跨多源行为预训练的移动游戏用户表示学习

用户表示预训练已成为缓解下游个性化任务中数据稀疏性的基础范式。然而，现有研究主要聚焦于单应用或应用级行为，忽视了用户在移动设备上本质上的跨源和多粒度活动特征。在设备层面，用户意图源于异构行为来源与层级化动作结构之间的复杂交互，这带来了传统以应用为中心的建模方法无法解决的挑战。为解决这一问题，我们提出了 CM-PTM，一种面向移动游戏用户表示学习、适用于设备级行为日志的全新跨多源行为预训练模型。CM-PTM 采用层级式级联的先遮蔽后预测代理任务，先推断下一行为的来源，再逐步细化到应用-动作层面的预测。这一设计使得在单一预训练范式下即可统一建模跨源依赖关系与细粒度行为动态。在大规模真实移动数据集上的大量实验表明，CM-PTM 能有效捕捉用户的内生兴趣，并在下游移动游戏推荐任务中持续带来显著的性能提升。