研究人员开发了一种用于推荐系统中隐式负面候选发现的新方法,解决了显式负面反馈的缺失问题。该方法通过观察到的客户行为支持识别未观察到的交互,并将这些模式编码为可解释的符号规则。这些规则根据支持度、信息量和产品相关性进行评分,然后按证据排序。LLM 使用业务目标来解释保留的规则,并将统计证据和解释相结合呈现在最终报告中。在工业 B2B 环境和公共数据集上的评估表明,精度高于基线方法,在工业任务上,下游测试 PR-AUC 提高了 12.5%。 AI
影响 该方法可以提高推荐系统的可解释性和有效性,尤其是在数据稀疏的商业环境中。
排序理由 该集群描述了一篇详细介绍推荐系统新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation
- Hugging Face
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →