PulseAugur
实时 10:51:34
English(EN) Interpretable Representation via LLM-Driven Generative Disentanglement for Local-Life Service Recommendation

新的LGRID框架增强了本地生活服务推荐的可解释性SID

研究人员开发了一个名为LGRID的新框架,用于为本地生活服务推荐生成可解释的语义ID(SID)。该方法解决了现有方法在语义纠缠和可解释性方面存在的局限性。LGRID采用生成式解耦范式,利用联合LLM编码和结构化解耦块来分离地理和语义因素。在Kuaishou和Foursquare数据集上的实验表明,LGRID的性能优于当前的SID基线,在AUC方面取得了显著的提升,并降低了SID碰撞率。 AI

影响 为推荐系统生成更具可解释性和有效性的ID引入了一种新颖的方法,有望改善检索和控制。

排序理由 详细介绍推荐系统新方法的学术论文。[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 1 个来源。 我们如何撰写摘要 →

新的LGRID框架增强了本地生活服务推荐的可解释性SID

报道来源 [1]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Kun Gai ·

    通过LLM驱动的生成式解耦实现可解释表征用于本地生活服务推荐

    While large language models (LLMs) have advanced ID-based recommendation through Semantic ID (SID) modeling, existing SID generation frameworks largely follow a single-representation-then-quantization paradigm. This design faces two bottlenecks: semantic entanglement mixes hetero…