华为移动通信的新突破：预测用户行为，精准触达，智慧通信新篇章
随着电信市场的饱和，运营商面临着从现有用户中挖掘价值并提高用户留存率的核心挑战。华为 GTS 部门 AI 算法团队在此背景下，提出了 GTS-LUM（Global Technical Service-Large User Model）这一创新方法，专门解决电信行业用户行为建模的难题。这一突破性的技术，有望为电信行业带来一场用户行为预测的革命。
首先，GTS-LUM 的主要创新点在于其基于海量用户行为序列数据自监督、多模异构 Encoder-Adapter-LLM Decoder 架构。通过这一架构，GTS-LUM 能够精准捕捉用户业务级浅层语义，创新多尺度时序处理机制以及多用户运营场景后训练。此外，Q-former 语义空间和业务空间知识对齐，以及目标感知建模的引入，更是大大增强了 GTS-LUM 的预测精度和实用性。
在某省级运营商的真实场景中，我们选取了 20w 左右用户数据量在 Ascend 910B2 NPU 上进行训练和推理。实验结果显示，GTS-LUM 在所有评估指标上均显著优于基线模型，相比业界方案有显著的性能提升。这些结果表明，尽管典型推荐模型在实验室数据中表现良好，但在具有领域特定复杂性的工业级数据集上，其性能可能会显著下降。而 GTS-LUM 的优异表现，凸显了融合多模态输入以及对开放世界知识与特定业务知识对齐的必要性。
华为 GTS 部门 AI 算法团队在论文中详细介绍了 GTS-LUM 的技术架构和核心创新点。他们创新的提出了多层级时间划分融合语义策略，通过构建“时段-周期”语义描述优化用户行为序列建模。同时，他们构建了多模态协同的用户行为嵌入框架，精准捕捉用户业务级浅层语义，并引入了基于 Q-Former 适配器的跨模态对齐机制，通过对比学习任务实现跨模态知识对齐。此外，他们还创新性地为 Q-Former 引入了额外训练任务，包括序列片段-文本匹配、序列片段-文本对比学习和序列片段-文本生成，使其兼具多模态对齐器与用户长期兴趣压缩器的双重功能。
值得一提的是，GTS-LUM 的目标感知建模进一步优化了用户表征学习过程，通过将预测标签前置于行为序列起始位置，利用 LLM 的因果注意力机制实现双阶段优化。在注意力计算阶段，目标标签作为先验条件动态调整历史行为的注意力权重分布；在表征生成阶段，基于 Decoder 的自回归架构实现渐进式特征优化，通过多步解码过程迭代调整用户表征向量。这种目标前置的建模方式，能够显著提高预测精度，并突出与任务场景最相关的历史行为。
总的来说，华为 GTS 部门 AI 算法团队的研究成果——GTS-LUM，无疑为电信行业用户行为建模提供了新的思路和方法。这一创新性的技术，有望为电信行业带来巨大的商业价值，推动通信行业的智能化发展。我们期待看到更多的实际应用和实验结果，以验证 GTS-LUM 在工业级数据集上的表现和潜力。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
