English(EN) LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation

新的LO-FAR工作流程为广告推荐提供成本效益高的特征排序

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-23 02:52

研究人员开发了LO-FAR，一种用于工业广告推荐系统中稀疏特征排序的新工作流程。这种仅CPU的方法使用轻量级局部估计器根据其预测信号对特征进行排序，为受GPU限制的重新训练方法提供了一种经济高效的替代方案。在大型生产数据集上进行测试，LO-FAR在保持点击率和转化率的下游收益方面取得了有竞争力的结果，证明了其在预算和迭代受限的系统中的实用性。 AI

影响为大规模推荐系统中的特征选择提供了一种更有效、更具成本效益的方法。

排序理由该集群包含一篇研究论文，详细介绍了广告推荐系统中特征排序的新方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了广告推荐系统中特征排序的新方法。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 49 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Srihari Reddy · 2026-07-23 02:52

LO-FAR：工业广告推荐中用于稀疏特征排序的成本感知局部过滤器

Industrial ad recommendation models rely heavily on sparse, high-cardinality ID-list features that encode user histories and contextual identifiers. Each is backed by a dedicated embedding table, so these features dominate storage, training, and serving cost and must be revisited…

本文如何被排名

报道来源 [1]

LO-FAR：工业广告推荐中用于稀疏特征排序的成本感知局部过滤器

相关实体

相关话题