研究人员推出了一种新颖的MEMOIR框架，旨在通过捕捉时序用户行为来改进推荐系统。MEMOIR将用户交互历史分割成不同的时间窗口，利用LLM为每个时期生成语义记忆，并将这些信息综合成全面的用户表示。虽然MEMOIR在聚合指标上与领先的基线UniSRec表现相当，但其主要贡献在于在表现出高或低偏好漂移的用户中表现更优，表明其在捕捉用户随时间变化的细微行为方面非常有效。 AI
影响 这项研究通过更好地理解用户随时间变化的偏好漂移，可能带来更具个性化和适应性的推荐系统。
排序理由 该集群包含一篇详细介绍推荐系统新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.23986v1 Announce Type: cross Abstract: We propose MEMOIR, a framework that segments user interaction histories into temporal windows, generates semantic behavioral memory for each period using an LLM, and aggregates current state, evolution direction, and predicted fut…
We propose MEMOIR, a framework that segments user interaction histories into temporal windows, generates semantic behavioral memory for each period using an LLM, and aggregates current state, evolution direction, and predicted future into a single user representation. On the Elec…