研究人员开发了一个新的框架，通过量化模型置信度来改进推荐系统。该方法区分了低活跃用户（LAUs）和高活跃用户（HAUs）的策略，以提高参与度和满意度。对于LAUs，系统会抑制不可靠的推荐；而对于HAUs，则鼓励内容探索。该框架在直播平台上进行了测试，提高了LAUs的留存率和满意度，并增加了HAUs的兴趣多样性。 AI
影响 通过智能管理模型置信度，增强了推荐系统中用户的参与度和内容多样性。
排序理由 该集群包含一篇详细介绍推荐系统新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
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 …