研究人员开发了STAR，一个用于推荐系统中点击后转化率（PCVR）预测的框架。该框架解决了异构特征、用户序列和目标感知兴趣的挑战。STAR将结构化特征分词与目标感知兴趣表示相结合，并基于HyFormer风格的骨干网络。关键创新包括高基数信号恢复、显式用户-物品交互标记以及受InfoNCE启发的对比辅助目标。该系统还对齐了训练和推理流程，以确保鲁棒性。 AI
影响 该框架可以提高推荐系统的准确性和鲁棒性，从而改善用户体验和广告效果。
排序理由 该集群包含一篇详细介绍特定机器学习任务新框架的学术论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Post-click conversion rate (PCVR) prediction is a core ranking task in industrial recommender systems. Modern ranking models must jointly capture heterogeneous non-sequential features, multi-behavior user sequences, and target-item-aware user interests, while remaining robust to …
Post-click conversion rate (PCVR) prediction is a core ranking task in industrial recommender systems. Modern ranking models must jointly capture heterogeneous non-sequential features, multi-behavior user sequences, and target-item-aware user interests, while remaining robust to …