PulseAugur
中
实时 09:24:57
English(EN) R2QRec: Learning Recommendation Queries from Retrieval Feedback

新的R2QRec方法从用户日志生成搜索查询，以获得更好的推荐

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了R2QRec，一种用于基于查询的推荐系统的新颖方法，该方法可以从用户交互日志中学习生成有效的搜索查询。该方法使用固定的检索系统来创建查询监督并评估推荐性能。系统首先通过检查生成的查询是否能检索到观察到的项目来验证它们，然后根据这些项目在融合推荐列表中的排名来优化查询生成策略。R2QRec在三个公共数据集上取得了最先进的结果，无需查询注释或学习到的奖励模型，因为只有查询生成器被训练。 AI

影响 该方法可以通过更好地理解交互数据中的用户意图来提高推荐系统的准确性和个性化。

排序理由 研究论文，详细介绍了一种新的推荐系统方法。[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 →

新的R2QRec方法从用户日志生成搜索查询，以获得更好的推荐

本文如何被排名

Signal score
3 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
研究论文，详细介绍了一种新的推荐系统方法。[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, other
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
Same-day
Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Li Chen ·

    R2QRec: 从检索反馈中学习推荐查询

    Query-based recommendation separates expressing user needs from locating matching items. Its central learning problem is how to turn item interactions into effective retrieval requests when interaction logs do not annotate queries. We present R2QRec, which uses a fixed retrieval …

相关实体

相关话题