新方法通过利用负面行为信号提升用户建模能力

研究人员开发了一种用于点击率预测中序列用户建模的新方法，该方法将跳过和滚动跳过等隐式负面行为与积极互动结合起来。这种方法称为目标感知极性融合（TAPF），使用轻量级门控机制来区分行为证据，并在各种模型架构中显示出相对 AUC 持续提高了 9.6%。研究强调，主要贡献在于混合极性数据范式本身，它显著优于仅依赖积极信号的模型。 AI

影响 通过纳入先前未充分利用的负面行为信号，提高了用户建模的准确性。

排序理由 该集群包含一篇发表在 arXiv 上的研究论文，详细介绍了一种用于序列用户建模的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Click Through Rate
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• information retrieval
• ScienceCast
• Target-Aware Polarity Fusion

• 论文
• 其他

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