SITA框架通过面向目标的压缩增强长序列推荐

研究人员推出了一种名为SITA的新型框架，旨在通过实现用户行为数据的面向目标的压缩来改进长序列推荐系统。与先前需要目标相关计算或为效率牺牲适应性的方法不同，SITA使用学习到的标识符将压缩的兴趣组织成语义结构。这使得可以根据目标项自适应地聚合兴趣，从而实现更准确和可扩展的推荐系统，公共和工业数据集上的实验证明了这一点。 AI

影响 通过实现用户行为数据的面向目标的压缩，提高了推荐系统的效率和准确性。

排序理由 这是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 →

• alphaXiv
• arXiv
• CatalyzeX
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Litmaps
• ScienceCast
• scite Smart Citations
• SITA

• 论文
• 产品

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