Naukowcy z AI opracowali FINDERS - nową architekturę do kodowania użytkowników, która odmienia tradycyjne podejście oparcie na dyfuzji zamiast autoregresywnych modeli języka. Istniejące rozwiązania kompresują różne logów zachowań użytkownika w statyczne reprezentacje, ale ta sztywna struktura nie radzi sobie z dynamicznym dostosowaniem do różnych scenariuszy biznesowych.
FINDERS wykorzystuje proces iteracyjnego denoizacji z modeli dyfuzji jako przestrzeń rekonstrukcji wieloziarnistej. Kluczową innowacją jest router wyposażony w uczalne meta-sloty, które organizują komplementarne stany denoizacji w transferowalne semantyki wielomodalne i faktory behawioralne specyficzne dla modalności. Przed ostateczną kompresją router dynamicznie akcentuje odpowiednie kierunki w zależności od zapytania scenariusza, wykorzystując wejściową ścieżkę rezydualną. Aby zapewnić solidne nauczanie, zespół stworzył BehaviorQA - dużą bazę danych zawierającą jawne uzasadnienia behawioralne.
Rezultaty pokazują konsekwentne przewyższenie istniejących metod w dziesięciu scenariuszach przemysłowych, zweryfikowane w testach online A/B. Metoda lepiej adaptuje reprezentacje użytkownika do konkretnych zastosowań - czy to rekomendacje produktów, personalizacja treści czy predykcja użytkownika - niż wcześniejsze podejścia o statycznym charakterze.