推荐系统中的过时性分解：用于替代与衰减的双过滤器框架

过时推荐是大规模内容平台面临的普遍挑战，也是用户投诉的主要来源之一。内容项通过两种主要机制失去相关性：替代，即新出现的更新使先前的报道变得过时；以及相关性衰减，即内容项的信息价值在其生命周期中自然降低。传统应对措施只是粗糙的替代指标：基于年龄的截止规则无法准确反映实际的相关性损失，而参与度启发式方法依赖滞后信号，在系统适应之前会让用户广泛接触过时内容。 我们提出 SDF（Supersession-Decay Filtering），这是一种已在 Google Discover 中全面部署的过时性过滤系统。Google Discover 是一个个性化推荐信息流，拥有数亿日活跃用户和数十亿月活跃用户。SDF 通过互补的过滤器同时针对这两种机制，每个过滤器都由一个学习模型驱动：一个用于检测内容项对之间替代关系的关系型过时性模型，以及一个预测流量比（PTR）模型，该模型根据内容项的内容预测相关性衰减，并使用生命周期访问流量进行训练。SDF 在排序阶段上游以析取方式应用，剪除过时候选项，从而可衡量地降低下游服务成本。在线实验表明，这些过滤器显著降低了过时内容的出现率，同时提升了用户参与度。在为期两年的生产部署中，用户提交的过时性报告（产品内用户反馈）相对于部署前基线下降了 54.9%，证明 SDF 是一种稳健且可扩展的范式，可在工业规模上解决内容过时问题。