PulseAugur
中
实时 05:52:24
English(EN) IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation

新的IntHQ推荐系统改进了旅行推荐

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了IntHQ，这是一种新颖的多任务生成式推荐系统，旨在解决当前推荐模型的局限性。IntHQ利用双流解耦（Dual-Stream Decoupling）来早期注入任务身份并将共享上下文与任务特定流分离，任务交互式建模（Task-Interactive Modeling）用于显式跨任务交互，以及分层查询（Hierarchical Querying）用于多尺度信息收集。在离线评估中，IntHQ的表现优于现有的编码器骨干网络，并在Amap上部署用于旅行推荐时，实现了1.60%的相对UVCTR提升。 AI

影响 这种新的生成式推荐系统可以增强各种应用中的用户体验和转化率，尤其是在旅行等复杂领域。

排序理由 发表了一篇研究论文，详细介绍了一个新的推荐系统，并报告了性能改进和实际部署情况。[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IntHQ推荐系统改进了旅行推荐

报道来源 [1]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Xiangxiang Chu ·

    IntHQ：面向生成式推荐的双流表示的任务交互式分层查询

    Multi-task learning over heterogeneous data is fundamental to modern recommendation, while generative models are emerging as the backbone of next-generation recommenders. However, the integration of multi-task learning into the generative paradigm remains largely unexplored. Exis…

相关话题