English(EN) An Event is Worth One Token: Event Tokenization for Industrial-scale LLM Recommendation

新的AMBER方法将用户事件压缩为Token，用于LLM推荐

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-26 08:59

研究人员推出了一种名为AMBER（Autoregressive Modeling via Bottlenecked Event Representation）的新方法，用于工业级LLM推荐系统。AMBER将丰富的用户交互时间快照压缩成紧凑的“事件Token”，这是LLM的一种新输入模式。该方法旨在通过为每个事件编码更多信息来提高推荐质量，解决了传统基于文本或基于ID表示法的局限性。AMBER在工业级基准测试中展示了进步，其性能优于现有的推荐范式，并在不同模型架构和实体类型之间显示出积极的迁移性。 AI

影响通过实现对用户交互数据更有效和更强大的编码，增强了LLM推荐系统。

排序理由详细介绍LLM推荐系统新方法的论文。[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; 详细介绍LLM推荐系统新方法的论文。[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, 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: 43 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) · Minghai Chen · 2026-08-26 08:59

一次事件价值一个Token：面向工业级LLM推荐的事件分词

LLM-based recommendation has scaled along model capacity and sequence length, yet each position encodes only text, semantic IDs, or a few categorical features, discarding rich user, item, context, and outcome signals available at each event. Under autoregressive modeling, this yi…

本文如何被排名

报道来源 [1]

一次事件价值一个Token：面向工业级LLM推荐的事件分词

相关实体

相关话题