研究人员开发了URED(Unexposed Recycling for Efficient Discovery,未曝光回收以实现高效发现)系统,这是一种旨在改进淘宝等推荐系统内容发现的新颖系统。与侧重于推广探索不足内容(under-explored content)的传统方法不同,URED专注于回收高分但未曝光的商品。这种方法避免了引入冷门、信息贫乏候选商品带来的参与度风险。URED已在淘宝部署超过六个月,在不影响用户参与度的情况下,显著提高了发现的品类和内容的丰富度,同时仅增加了极低的延迟且无需重新训练模型。 AI
影响 这项研究提供了一种实用的方法,可以在不进行大量重新训练或显著增加延迟的情况下,改进大规模推荐系统的内容发现。
排序理由 该集群描述了一篇研究论文,其中详细介绍了一个用于推荐系统的新系统,包括性能指标和部署细节。
- Alibaba Group
- alphaXiv
- arXiv
- CatalyzeX
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- ScienceCast
- Taobao
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →