English(EN) DEGR: Dual Exploration-Driven Generative Re-Ranking for Adaptive Cross-Request Context Bridging

新的DEGR方法通过双重探索增强电子商务推荐

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-05 13:14

研究人员开发了一种名为DEGR（双重探索驱动生成重排）的新颖方法，以改进推荐系统，特别是在上游供应质量较低的情况下。DEGR采用混合监督强化学习方法，由一个探索性奖励模型指导，该模型动态平衡即时用户价值与未来发现的潜力。这种自适应策略旨在通过充当不同用户请求之间的上下文桥梁来提高用户参与度和转化率。在JD电子商务推荐系统上的实验表明，DEGR优于现有方法，在UCTR和PV指标上取得了显著的改进。 AI

影响通过平衡即时价值与探索潜力来增强推荐系统的有效性，有可能提高用户参与度和转化率。

排序理由关于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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于推荐系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 64 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Sulong Xu · 2026-08-05 13:14

DEGR：双重探索驱动的生成式重排序，用于自适应跨请求上下文桥接

In industrial recommendation systems, the re-ranking stage balances business objectives and diversity for sequence-level optimization while modeling contextual information. However, constrained by fixed upstream supply, existing methods fail to deliver further effectiveness gains…

本文如何被排名

报道来源 [1]

DEGR：双重探索驱动的生成式重排序，用于自适应跨请求上下文桥接

相关实体

相关话题