Empfehlungssysteme sind wesentliche Komponenten von E-Commerce, Streaming-Medien und sozialen Netzwerken, die einen signifikanten Einfluss auf Produkte und Unternehmen haben. Bei Netflix verbinden diese Systeme Mitglieder mit relevanten Inhalten zum richtigen Zeitpunkt. Das Empfehlungs-Grundmodell hat erhebliche Fortschritte bei der Verständigung von Benutzerpräferenzen erzielt, aber es besteht die Gelegenheit, seine Fähigkeiten weiter zu verbessern. Durch die Erweiterung des Grundmodells zur Vorhersage von Benutzerintentionen kann das Modell sein Verständnis von Benutzersitzungen über die Vorhersage des nächsten Elements hinaus bereichern. Aktuelle Forschung hat die Bedeutung des Verständnisses von Benutzerintentionen auf Online-Plattformen hervorgehoben, was zu genaueren und individualisierten Empfehlungen führt. FM-Intent, ein neuartiges Empfehlungsmodell, erfasst die latente Sitzungsintents eines Benutzers mithilfe von kurzfristigen und langfristigen impliziten Signalen als Stellvertreter, um dann diese Intention vorherzusagen, um die nächste Element-Vorhersage zu verbessern. Das Modell etabliert eine hierarchische Beziehung zwischen Intention vorhersagen und nächstem Element-Vorhersagen, um eine kohärente und effektive Empfehlungspipeline zu erstellen. FM-Intent leistet drei wichtige Beiträge: ein neuartiges Empfehlungsmodell, einen hierarchischen Multi-Task-Learning-Ansatz und eine umfassende experimentelle Validierung, die signifikante Verbesserungen gegenüber Stand-der-Kunst-Modellen zeigt. FM-Intent wurde erfolgreich in das Empfehlungssystem von Netflix integriert und kann für mehrere Downstream-Anwendungen wie personalisierte UI-Optimierung, Analytics und erweiterte Empfehlungssignale genutzt werden.