English(EN) Rethinking User Encoders: Routing Diffusion States for Scenario-Adaptive User Representation

FINDERS框架使用扩散模型进行自适应用户表示

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员推出了一种新颖的FINDERS框架，该框架利用扩散语言模型（dLLMs）来创建更具自适应性的用户表示。与将用户行为压缩为静态格式的现有方法不同，FINDERS利用dLLMs的迭代去噪过程来捕获多粒度信息。该框架包含一个路由器，该路由器根据特定的场景查询动态地强调相关的行为因素，从而实现更有效的跨源融合和压缩。在包括新的BehaviorQA语料库构建在内的十个工业场景中的实验表明，FINDERS在统一和场景自适应设置中均优于当前最先进的方法。 AI

影响这项研究通过改进行为数据的处理和利用方式，有望在各种应用中实现更个性化和有效的用户建模。

排序理由该集群包含一篇详细介绍新框架和方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 25 / 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新框架和方法的论文。[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, model release; 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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Junru Zhang, Jinyong Wen, Bin Dou, Wuliang Huang, Baokun Wang, Yu Cheng, Weiqiang Wang, Cheng Peng · 2026-10-19 04:00

重新思考用户编码器：通过路由扩散状态实现场景自适应用户表示

arXiv:2610.22400v1 Announce Type: new Abstract: Existing large language model (LLM)-based user encoders serialize heterogeneous behavioral logs and compress them into static representations through autoregressive (AR) prediction. However, their unidirectional constraint limits bi…

本文如何被排名

报道来源 [1]

重新思考用户编码器：通过路由扩散状态实现场景自适应用户表示

相关实体

相关话题