快手大促 CVR 预测技术：跨时序知识复用框架 TemporalExpertNet (TEN)

📌 一句话摘要

快手提出的 TemporalExpertNet (TEN) 框架通过结构化解耦和跨时序知识复用，有效解决了大促场景下 CVR 预测的非平稳分布挑战，并荣获 WSDM 2026 最佳长文提名奖。

📝 详细摘要

本文详细介绍了快手商业化算法团队在 WSDM 2026 获奖的研究成果——TemporalExpertNet (TEN)。该框架针对 618、双 11 等大促场景中流量分布剧烈偏移且具有异质性的痛点，提出了一种跨时序知识复用方案。TEN 通过结构解耦将日常行为建模与促销专家知识分离，利用 BridgeNet 实现跨时序表征对齐，并通过 TemporalExpertGate (TEG) 实现样本级的动态路由。实验证明，该方案在快手广告平台上线后，显著提升了 CVR 和 RPM，且工程开销极低，为工业级广告系统处理时变环境下的建模挑战提供了新思路。

💡 主要观点

- 大促场景下的流量异质性导致 CVR 预测面临非平稳分布挑战。 广告主预算调整与用户促销敏感度的差异，使得数据分布呈现分群体的剧烈偏移，传统平稳假设模型在大促期间易出现预测偏差。

TEN 框架通过结构解耦实现日常能力与促销知识的独立建模。 将模型拆分为日常编码器和促销专家，既保持了对当前流量的敏感性，又能有选择地复用历史大促中沉淀的转化模式。

BridgeNet 与 TEG 机制实现了历史知识的精准调用与对齐。 BridgeNet 通过表示对齐缓解跨时序表征不匹配，TEG 则根据样本特征动态路由，自适应决定依赖日常能力还是激活促销专家。

两阶段训练策略平衡了知识迁移与调度的优化难度。 先通过历史数据微调解决表示对齐（能不能迁），再通过最新数据微调学习门控融合（该怎么用），确保了模型的收敛与效果。

💬 文章金句

- 数据分布并非整体同步变化，而是分群体发生偏移，这一特征使得大促期间的数据分布呈现出更强的非平稳性。

值得关注的不是「能不能用历史模型」，而是如何把历史大促中的有效知识，以可控、结构化的方式迁移到当前任务中。
TEN 超越了对历史知识的简单保留，而能够让历史知识真正服务当前预测。
核心价值在于提出了一种新的迭代思路：从单纯的「模型替换」转向「知识累积」。

📊 文章信息

AI 评分：88

来源：快手技术

作者：快手技术

分类：人工智能

语言：中文

阅读时间：18 分钟

字数：4309

标签： CVR 预测, 大促算法, 知识复用, WSDM 2026, 快手技术

阅读完整文章

快手大促 CVR 预测技术：跨时序知识复用框架 TemporalExpertNet (TEN)

🤖 問 AI