English(EN) Efficient Swing Computation for Retrieval in Large-Scale Recommender Systems

新算法有望提升推荐系统分数的速度和准确性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 08:42

研究人员开发了两种新算法，ASC和K-ASC，旨在高效计算大规模推荐系统的摇摆分数。这些算法解决了现有方法计算成本过高或依赖于牺牲质量的启发式方法的局限性。ASC和K-ASC对摇摆值的准确性提供了理论保证，并已在包含数十亿次交互的超大规模图等各种真实世界数据集上，与竞争方法相比，在计算时间上实现了数量级的显著加速。 AI

影响这些算法可以显著提高大规模推荐系统的效率和有效性，从而影响用户体验和内容发现。

排序理由该集群包含一篇详细介绍推荐系统信息检索新算法的研究论文。[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; 该集群包含一篇详细介绍推荐系统信息检索新算法的研究论文。[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: 2 days old; Coverage has settled into its steady-state 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) · Renchi Yang · 2026-09-15 08:42

面向大规模推荐系统中检索的高效摇摆计算

Given a user-item graph $G$, a query item $v_q$ and a target item $v_t$, the Swing score $sw(v_q, v_t)$ of the item pair $(v_q, v_t)$ leverages the user-item-user interaction structure to evaluate their similarity. This measure is found to be highly effective in item-to-item (i2i…

本文如何被排名

报道来源 [1]

面向大规模推荐系统中检索的高效摇摆计算

相关实体

相关话题