Рекомендательные системы забывают не слишком быстро — они помнят пользователя неправильно

Обычная архитектура рекомендаций предполагает, что прошлое объясняет будущее. История просмотров, покупок и взаимодействий превращается в устойчивый профиль, а недавние действия добавляются поверх него. Такой подход удобен: чем больше данных накоплено, тем увереннее модель ранжирует контент. В результате предпочтения пользователя часто сжимаются в единый вектор, где вчерашний интерес и сегодняшнее намерение конкурируют за одно и то же место.

MEMOIR — Temporal Behavioral Memory for Recommendation Across the Preference-Drift Spectrum — предлагает перевернуть эту логику. Память здесь должна быть не складом событий, а временной системой: отдельно хранить краткосрочные намерения, устойчивые привычки и сигналы, которые уже потеряли актуальность. Ключевой объект исследования — не просто точность рекомендации, а preference drift, то есть скорость и характер изменения вкусов пользователя. Иными словами, алгоритм должен помнить не только то, что человек выбирал, но и когда это перестало быть правдой.

Это меняет и сам критерий качества. Модель, которая выигрывает на стабильной аудитории, не обязательно справится с пользователем, переключившимся с игровых ноутбуков на товары для новорождённых или с новостей на профессиональное обучение. Поэтому MEMOIR рассматривает спектр дрейфа — от почти неизменных предпочтений до резких поворотов — и проверяет, как временная память ведёт себя в каждом режиме. Практический вывод звучит жёстко: универсальное окно истории не существует. Слишком короткое заставляет систему забывать привычки, слишком длинное превращает устаревшие клики в навязчивый совет.

В этом и состоит важный сдвиг рамки. Рекомендатору не нужно знать пользователя «полнее»; ему нужно различать слои его прошлого. Такая постановка связывает качество рекомендаций с управлением временем, а не только с размером модели или числом признаков. MEMOIR показывает, что персонализация может ухудшаться именно тогда, когда система становится слишком уверенной в собственной памяти. Для продуктов с ежедневным изменением спроса это не академическая деталь, а вопрос релевантности каждой следующей сессии.