TRACER框架平衡了LLM集成在持续推荐系统中的挑战

研究人员推出TRACER，一个新颖的框架，旨在通过解决稳定性-可塑性-认知（SPC）三难困境来增强持续推荐系统。当将大型语言模型（LLMs）集成到推荐系统中时，会出现这种三难困境，因为泛化的语义知识可能与保留用户历史和适应不断变化的偏好相冲突。TRACER采用三个专门的模块来平衡这些相互竞争的需求，旨在提高语义知识集成而不损害个性化或适应性。在五个真实世界数据集上的实验表明，TRACER的有效性，比现有方法高出14.38%。 AI

影响 增强了LLM在推荐系统中的集成，可能提高了个性化和适应性。

排序理由 该集群包含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
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Large Language Models
• ScienceCast
• Stability-Plasticity-Cognitivity (SPC) Trilemma
• TRACER
• Trilemma-Responsive Adaptive Continual Enhancement for Recommendation

• 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 →