研究人员为生成式推荐系统开发了新的训练策略,以提高排名准确性。其中一种方法在提交给arXiv的一篇论文中详细介绍,重点关注在处理训练数据中的遗漏目标时,将监督与概率竞争分离开来。使用OneRec和Amazon生成器进行的实验表明,消除这种竞争可以显著改善排名指标。另一篇论文介绍了一种用于指令引导的LLM推荐器的非对称干预引导边距监督(AIMS),旨在通过关注边距改进而非绝对分数,更好地平衡当前请求与历史用户偏好。 AI
影响 这些新的训练策略可以通过更好地处理历史数据和用户偏好,从而实现更准确和个性化的推荐。
排序理由 该集群包含两篇学术论文,详细介绍了生成式推荐系统的新颖方法,已提交至arXiv。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- AIMS
- arXiv
- Asymmetric Intervention-Guided Margin Supervision
- CORE Recommender
- DagsHub
- Hugging Face
- LLM
- alphaXiv
- Amazon Video Games
- OneRec
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →