一篇新研究论文介绍了一个推荐系统框架，该框架通过校准模型置信度来改善低活跃和高活跃用户的用户体验。对于低活跃用户，系统采用一种规避风险的策略来降低不可靠推荐的权重，旨在提高用户留存率和满意度。高活跃用户则受益于一种寻求风险的上置信界（UCB）策略，该策略鼓励探索并拓宽内容多样性。这种感知置信度的做法已在一个主要的直播平台上得到验证，在关键指标上显示出显著的改进。 AI
影响 通过区分基于用户活跃度和模型置信度的策略，增强了推荐系统的性能，可能提高参与度和内容发现。
排序理由 该集群包含一篇详细介绍推荐系统新框架的学术论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.17788v2 Announce Type: replace-cross Abstract: A fundamental challenge in recommender systems is balancing reliability for Low-Active Users (LAUs) with diversity for High-Active Users (HAUs). The key to this balance lies in quantifying model uncertainty, which approxim…
A fundamental challenge in recommender systems is balancing reliability for Low-Active Users (LAUs) with diversity for High-Active Users (HAUs). The key to this balance lies in quantifying model uncertainty, which approximates the risk of prediction errors and reveals the limits …