本文主要是针对推荐系统中用户兴趣偏好随时间发生变化的情况进行建模，那么对于不同任务，用户的兴趣变化应该也是有差异的，作者提出用户生命周期的概念，将其分为多个阶段，以此表达用户在不同任务上随时间变化的兴趣偏好。在上述概念的基础上提出阶段自适应网络STAN来对生命周期阶段建模。
首先根据学习到的用户偏好识别潜在的用户生命周期阶段
然后使用阶段表征来提高多任务学习性能
2.阶段划分对于不同的任务，用户在不同的阶段，他们的偏好是不同的，也就是说不同阶段，用户的点击，转化，停留时间等的分布是不同的。
如图2所示，是作者在电商平台搜集的数据，统计用户在不同任务上的总体分布，基于不同指标的中位数作者将用户生命周期分为四个阶段：new，wander，stick和loyal，每个用户只能在一个阶段中。划分后发现：
在new阶段，用户的点击率较低，而停留时间和转化的分布和总体分布基本一致
在wander阶段，用户的停留时间较短
在sitck阶段，用户的点击率和停留时间较大，但是转化率很低
在loyal阶段，用户表现为稳定的点击，停留和转化习惯，这说明用户对这个平台还是比较满意的
所以说，用户在不同的阶段
