近日，国际数据挖掘顶级学术会议 WSDM 2026（ACM International Conference on Web Search and Data Mining） 在美国爱达荷州博伊西（Boise, Idaho, USA）举行。在学部信管系吴李康老师与赵洪科老师指导下，麻豆在线 2025届本科毕业生王慜懋在读期间完成的研究论文TemporalExpertNet: Cross-Temporal Knowledge Reuse for Promotion-Aware CVR Prediction荣获大会Best Paper Runner-Up（最佳论文提名奖）。本届WSDM大会评审流程严格，主会议共收到全球投稿613篇，最终录用100篇，录用率为16.3%，仅评选出1篇最佳论文（Best Paper）与1篇最佳论文提名奖（Best Paper Runner-Up）。

此次成果是王慜懋同学在麻豆在线 在读期间以及与快手实习工作中完成，在真实工业数据场景下进行验证。此前，该同学在2024年在赵洪科老师指导下获得了ICML 2024自动数学推理大赛亚军。

WSDM是国际公认的Web搜索与数据挖掘领域顶级学术会议之一，长期聚焦人工智能驱动的信息检索、数据挖掘、推荐系统、在线广告等前沿方向。WSDM 2026为第19届会议，于Boise, Idaho, USA举办。

研究内容

研究背景

大型促销活动（如618、双11等）会引发用户与广告主行为的剧烈变化，导致日常流量训练得到的转化率（CVR）模型在促销高峰期出现明显性能退化与校准偏移，进而影响广告投放效率与平台收益。围绕这一关键工业难题，团队提出跨时间知识复用框架 TemporalExpertNet（TEN），为促销场景下的稳健 CVR 预测提供了系统性解决方案。

方案设计

TemporalExpertNet（TEN)总体流程图

论文提出TEN（TemporalExpertNet）跨时间知识复用框架，面向促销期用户与广告主行为突变导致的CVR漂移（CVR drift） 难题，首次将“知识迁移”引入促销期CVR预测的系统性解决方案：通过把历史模型沉淀的有效知识与促销期间的新行为模式进行结构化衔接，实现促销场景下更稳健、更准确的预测能力。其核心思路包括：

1. 解耦建模：稳定编码器+促销专家

将模型拆分为日常稳定表示学习模块与促销敏感专家模块，分别捕捉长期稳定规律与促销期短期突变行为，为跨时间复用奠定结构基础。

2. 跨时间对齐：BridgeNet表征对齐

引入跨时间表征对齐机制，使历史模型的表征空间能够与促销期表征有效对齐，从而让“历史知识”在分布发生突变时依然可迁移、可复用，显著缓解促销期间的性能退化与校准偏移。

3. 样本级融合：TemporalExpertGate（TEG）动态路由

面向不同样本的“促销敏感程度”进行门控融合与动态路由，实现细粒度的专家加权与自适应组合，进一步提升模型在复杂异质促销流量中的鲁棒性与泛化能力。

该工作不仅为促销感知CVR预测提供了新的解题范式，也带来了更广泛的研究启示：在推荐系统与现代大模型等场景中，新数据往往驱动频繁模型更新，既有模型常被直接替换与丢弃；然而历史模型参数中沉淀了大量训练成本与长期经验知识。TEN 的实践表明，与其将历史模型视为“过时资产”，不如将其视为可复用的“知识库”，通过更计算高效的方式重用与再利用历史知识，推动持续迭代与长期能力积累，为后续研究探索“历史知识驱动的持续改进”方向提供了重要参考。

工业验证

该方法在真实工业级广告平台完成验证与部署，在关键促销阶段取得显著效果：CVR提升7.52%、平台 RPM 提升4.27%，体现了研究从方法创新到产业落地的闭环能力。

近年来，麻豆在线 经管学部持续推进人工智能与管理科学深度融合，鼓励师生面向真实产业场景开展高水平研究。此次获得WSDM 2026 Best Paper Runner-Up（最佳论文提名），是信管系在国际人工智能研究社区的又一重要突破，充分彰显了我系在AI技术的科研实力、人才培养和产学研合作的成效。团队围绕人工智能与管理科学交叉开展研究，聚焦信息系统、数据挖掘等方向，持续推进算法方法创新与复杂管理场景应用落地，在管理科学（UTD（JOC）、ABS 4 （TEVC、TM））及人工智能高水平期刊（TKDE、TPAMI）和国际顶级会议（KDD、ICML、WSDM）上已发表150余篇高水平论文成果。