研究人员开发了知识-几何解耦（KGD），一种用于改进推荐系统的新方法，该系统可持续适应用户行为的变化。KGD解决了两个关键挑战：从用户序列中提取哪些知识，以及如何有效地将这些知识迁移到持续刷新的模型中。通过引入行为多令牌预测（BMTP），KGD学习更清晰的行为知识，其解耦的参数集允许独立刷新模型而不影响下游任务性能。Shopee已成功部署了该方法，带来了商品交易总额和广告收入的显著增长。 AI
影响 提高了推荐系统的适应性和性能，并在电子商务领域展现了商业价值。
排序理由 该集群描述了一篇新的研究论文，详细介绍了一种用于推荐系统的新颖方法，包括其实现和性能指标。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- Anchored Calibration Residual
- arXiv
- Behavioral Multi-Token Prediction
- FuCongResearchSquad
- Homepage Search
- KGD
- KGD4REC
- Knowledge-Geometry Decoupling
- Shopee
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
