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。该研究针对多任务推荐中用户对不同任务的偏好具有个体差异且随时间变化的问题，提出 Stage-Adaptive Network（STAN），通过识别潜在用户生命周期阶段，并利用阶段表征增强多任务预测。原论文的研究对象是推荐系统中的用户行为与留存，而非 EEG 或 BCI。 核心机制是将“用户生命周期”划分为多个潜在阶段，各阶段由用户对不同任务的偏好刻画。STAN 先依据学习到的用户偏好识别阶段，再将阶段表征用于多任务学习。相较于摘要所述的既有多任务推荐方法，其主要区别在于显式考虑任务偏好的个体化与时间变化。具体阶段表示、阶段更新方式、训练目标及推理流程尚未验证。 作者报告，在公共及工业数据集上，STAN 的多任务预测性能显著优于所比较的方法，但摘要未提供数据集名称、划分协议、具体指标与离线结果数值。在线 A/B 测试中，作者报告，相较现有模型，每用户停留时长提升 3.05%，CVR 提升 0.88%；这些结果属于推荐平台在线评估，摘要未交代流量分配、测试时长、样本量、显著性检验及百分比的计算口径，也不能据此等同于直接验证了长期用户留存。 复现需进一步核对生命周期阶段的定义与识别依据、时序数据组织、任务配置、对照模型及训练评估协议；实验协议、消融及统计信息尚未验证。摘要尚不足以建立该推荐机制与 EEG/BCI 问题的具体对应关系，因此不将其解释为已验证的神经信号方法。