STAN：通过学习基于用户生命周期的表征实现多任务推荐的阶段自适应网络

基于摘要分析。本文研究推荐系统中用户对不同任务的偏好随时间变化、而常规多任务学习未充分刻画这种变化的问题，提出 Stage-Adaptive Network（STAN），以潜在用户生命周期阶段表征增强多任务推荐。 核心机制是先根据学习到的用户偏好识别潜在生命周期阶段，再将阶段表征用于多任务预测。这里的“生命周期”指用户对不同任务偏好所形成的阶段，并非生理生命周期。摘要未提供阶段识别算法、阶段转换建模方式、损失函数或训练与推理细节，实验协议、消融及统计信息尚未验证。 作者报告，在公共及工业数据集上，STAN 的多任务预测表现优于所比较的方法，但摘要未列出数据集名称、划分、基线及离线指标。作者还报告，线上 A/B 测试相对现有模型的人均停留时长提升 3.05%，CVR 提升 0.88%；测试周期、流量分配、置信区间以及 CVR 变化的具体统计口径尚未验证。停留时长与 CVR 的提升不等同于直接验证长期用户留存。作者称 STAN 已部署至 Shopee 全部直播推荐服务。 平台推测（待验证）：可迁移的假设是，潜在阶段表征或可用于刻画 EEG 多任务解码中随会话变化的任务相关状态，但推荐偏好阶段不等同于神经状态。迁移需将用户交互与任务偏好输入改为 EEG 时序表征及任务监督，并重新定义阶段学习与预测模块；低信噪比、通道差异和小样本可能使阶段表征主要捕获被试身份或噪声。可在固定 Cross-session 划分与相同数据预算下，对比有无阶段表征的多任务模型，检验其是否改善跨会话表现。该假设并非原文已验证结论，已有 EEG 相关工作尚未检索确认。