El modelado del comportamiento del usuario a largo plazo (ULBM) se está convirtiendo en un área crítica en los sistemas de recomendación industriales, donde las secuencias de usuarios pueden alcanzar longitudes de 10^5 o más. Esta nota de encuesta sintetiza investigaciones recientes sobre cómo equilibrar la necesidad de capturar intereses de usuarios a largo plazo con las restricciones computacionales del servicio en tiempo real. Los enfoques clave incluyen mecanismos de atención jerárquicos, redes de memoria y técnicas eficientes de compresión de secuencias. La nota enfatiza que la efectividad por sí sola no es suficiente; los modelos también deben ser desplegables dentro de estrictos presupuestos de latencia y recursos. Para los ingenieros, esto significa comprender los compromisos entre la complejidad del modelo y la velocidad de inferencia. La encuesta categoriza los métodos por sus perfiles de eficiencia-precisión, ofreciendo un marco práctico para elegir el enfoque correcto para la escala de una plataforma.
Esta nota de artículo cubre el campo emergente del modelado del comportamiento del usuario a largo plazo (ULBM), que aborda el desafío de modelar secuencias de comportamiento ultra largas bajo estrictas restricciones de eficiencia industrial.