研究人员开发了TransX，一种新颖的推荐系统编码器-解码器架构，解决了整合长期用户行为与实时服务事件的挑战。该方法将这些不同数据流的建模解耦，并使用交叉注意力实现更高效的解码。TransX专为低延迟、高吞吐量部署而设计，采用摊销服务策略，使服务延迟与行为序列长度无关。在LinkedIn推荐系统上的在线A/B测试表明，TransX显著提高了点击率6.0%和转化率4.4%，同时保持了可比的服务成本，并将在线计算量减少了约80%。 AI
影响 为基于Transformer的推荐器引入了更高效的架构，有望改善用户体验并降低大规模系统的运营成本。
排序理由 该条目是发表在arXiv上的研究论文，详细介绍了推荐系统的新架构。[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 →
