研究人员推出了一种新颖的顺序推荐系统方法 LQ-Rec,该方法利用后期量化。此方法将项目离散化过程与编码器和评分函数分开,使它们能够在连续空间中运行。这种架构更改实现了加性误差分解和成对排序定理,为量化引起的排名下降提供了结构保证。LQ-Rec 证明了随着语义 ID 长度的增加,排名质量得到改善,支持在不重新训练的情况下进行灵活压缩,并在多个基准测试中显示出卓越的泛化能力。 AI
影响 这项研究通过改进项目数据的压缩和匹配方式,有望带来更高效、更准确的推荐系统。
排序理由 该集群描述了一篇关于顺序推荐系统新方法的详细研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- CORE Recommender
- DagsHub
- Generative retrieval
- Gotit.pub
- Hugging Face
- Influence Flower
- Late Quantization
- LQ-Rec
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →