两篇新研究论文解决了具有极长用户交互历史的推荐模型训练中的挑战。第一篇论文《Versioned Late Materialization》提出了一种系统,通过一次性存储用户历史并按需重建序列来减少数据基础设施负载,从而支持更长的序列并提高模型质量。第二篇论文《SinkRec》引入了一种混合记忆-转换架构,以缓解线性注意力模型中的“语义状态汇聚”问题,防止重复模式压倒模型的状态并提高长序列的效率。 AI
影响 这些方法旨在通过使推荐系统能够处理更长的用户交互历史来提高其效率和有效性。
排序理由 两篇在arXiv上发表的学术论文,详细介绍了改进推荐系统训练的新方法。
- arXiv
- SinkRec
- Transformer
- Deep Learning Recommendation Models
- Hajee Mohammad Danesh Science & Technology University
- Jianhui Sun
- ULTRA-HSTU
- User Interaction History
- Versioned Late Materialization
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →