La modélisation du comportement utilisateur à vie (ULBM) devient un domaine critique dans les systèmes de recommandation industriels, où les séquences d'utilisateurs peuvent atteindre des longueurs de 10^5 ou plus. Cette note de synthèse résume les recherches récentes sur la manière d'équilibrer la nécessité de capturer les intérêts à long terme des utilisateurs avec les contraintes de calcul du service en temps réel. Les approches clés incluent les mécanismes d'attention hiérarchiques, les réseaux de mémoire et les techniques de compression de séquences efficaces. La note souligne que l'efficacité seule ne suffit pas ; les modèles doivent également être déployables dans des budgets stricts de latence et de ressources. Pour les ingénieurs, cela signifie comprendre les compromis entre la complexité du modèle et la vitesse d'inférence. L'enquête catégorise les méthodes par leurs profils d'efficacité-précision, offrant un cadre pratique pour choisir la bonne approche pour l'échelle d'une plateforme.
Cette note de lecture couvre le domaine émergent de la modélisation du comportement utilisateur à vie (ULBM), qui aborde le défi de la modélisation de séquences de comportement ultra-longues sous des contraintes d'efficacité industrielle strictes.