English(EN) PEARL: Unbiased Percentile Estimation via Contrastive Learning for Industrial-Scale Livestream Recommendation

PEARL框架利用对比学习改进直播推荐

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-22 04:00

研究人员开发了PEARL，一个用于大规模直播推荐系统中无偏百分位数估计的新框架。该方法使用对比学习来模拟用户的相对偏好，避免了用户活跃度差异带来的偏差。在一个主要的直播平台上进行的在线A/B测试显示了显著的改进，包括观看时长增加了2.10%，互动率上升了1.49%。 AI

影响引入了一种缓解大规模推荐系统偏差的新方法，有望改善用户体验和平台参与度。

排序理由发布了一篇详细介绍推荐系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Blake Gella, Wei Wu, Yuhao Yin, Zexi Huang, Zikai Wang, Emily Liu, Junlin Zhang, Wentao Guo, Qinglei Wang · 2026-05-22 04:00

PEARL: Unbiased Percentile Estimation via Contrastive Learning for Industrial-Scale Livestream Recommendation

arXiv:2605.21752v1 Announce Type: new Abstract: Recommender systems trained on user interaction data are susceptible to behavioral intensity imbalance--a systematic distortion arising from heterogeneous engagement patterns across users. This imbalance skews feedback signals such …