PulseAugur
中
实时 19:54:36
English(EN) End-to-End Semantic ID Generation for Generative Advertisement Recommendation

新的UniSID框架通过端到端SID生成改进广告推荐

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了UniSID，一个用于在生成式推荐系统中生成语义ID（SIDs）的新颖框架，特别适用于广告推荐。这种新方法通过端到端联合优化嵌入和SID，解决了现有方法（如Residual Quantization）的局限性，防止了语义退化和误差累积。UniSID还采用了一种多粒度对比学习策略和一种基于摘要的广告重建机制来捕捉更细粒度的语义。实验表明，在下游广告场景中，与当前最先进的方法相比，UniSID的命中率指标提高了4.62%。 AI

影响 通过改进语义ID生成来增强生成式推荐系统，有望带来更有效的广告定位和用户参与度。

排序理由 该集群包含一篇详细介绍生成式推荐系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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]

  1. arXiv cs.LG TIER_1 English(EN) · Jie Jiang, Xinxun Zhang, Enming Zhang, Yuling Xiong, Jun Zhang, Jingwen Wang, Huan Yu, Yuxiang Wang, Hao Wang, Xiao Yan, Jiawei Jiang ·

    End-to-End Semantic ID Generation for Generative Advertisement Recommendation

    arXiv:2602.10445v3 Announce Type: replace-cross Abstract: Generative Recommendation (GR) has excelled by framing recommendation as next-token prediction. This paradigm relies on Semantic IDs (SIDs) to tokenize large-scale items into discrete sequences. Existing GR approaches pred…

相关话题