研究人员开发了HubMixer，一种用于改进推荐系统特征交互的新型参数高效架构。该方法使用可学习的潜在中心来组织交互，首先将异构令牌汇总到这些中心，然后在中心空间内执行高阶交互，最后允许原始令牌选择性地从交互后的中心读取。大量的离线实验证明HubMixer优于最先进的模型，并且在快手招聘业务中的在线A/B测试显示简历投递转化率显著提高了5.48%，从而实现了全面生产部署。 AI
影响 该架构提供了一种参数高效的方法来改进推荐系统，有可能加速依赖个性化推荐的行业的采用。
排序理由 发表了一篇详细介绍新模型架构的研究论文，该论文已成功在现实世界中部署并提供了性能指标。
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 →
完整方法见我们的编辑标准。
Learning effective feature interactions is central to industrial recommendation and advertising ranking systems. Recent token-mixing architectures simplify self-attention with lightweight mixing operators, improving hardware efficiency and enabling large-scale deployment. However…
Learning effective feature interactions is central to industrial recommendation and advertising ranking systems. Recent token-mixing architectures simplify self-attention with lightweight mixing operators, improving hardware efficiency and enabling large-scale deployment. However…