Amazon Books
PulseAugur coverage of Amazon Books — every cluster mentioning Amazon Books across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
研究:LLM 的排名表现取决于图证据的分配
一篇题为“证据饮食”(Evidence Diet)的新研究论文探讨了大型语言模型(LLM)如何利用基于图的证据来对推荐系统中的竞争候选者进行排名。该研究在 Amazon Books 和 MovieTV 的数据集上进行,发现证据的具体分配对排名表现有显著影响。交换用户级别的证据会降低排名,而匹配的项目替换影响较小。研究表明,LLM 从为支持的候选者保留显式计数数据中受益,其表现优于基于文本的呈现,并强调了在基于图的证据中准确归属的重要性。
-
受束几何启发的LightGCN新扩展改进推荐系统
研究人员开发了一种新的协同过滤方法,该方法使用受胞束启发的概念扩展了LightGCN模型。这种方法修改了用户和项目嵌入的转换方式,而不是改变图传播机制。在多个数据集上的实验显示,排名质量有所提高,目录覆盖率有显著变化,尽管该研究澄清该方法受束几何的启发,并未直接实现束-拉普拉斯扩散。
-
新的NDL框架主动去噪推荐系统
研究人员开发了一个名为噪声感知维度学习(NDL)的新框架,通过主动识别和缓解噪声交互来改进推荐系统。与以往被动依赖训练损失的方法不同,NDL使用表示一致性检测(RCD)来根据用户-物品交互的嵌入空间一致性主动评估其可靠性。这种主动信号与损失信号融合,驱动一个自适应掩码,限制不可靠交互的影响。NDL在Amazon Books、Yelp和MovieLens-1M等基准测试中持续优于最先进的去噪方法,在不增加推理延迟的情况下显著提高了召回率。
-
研究探讨范数增长作为统一发现系统中流行度机制
一篇新研究论文探讨了在结合搜索和推荐的统一发现系统中,正交范数增长如何充当流行度机制。该研究侧重于这些系统中物品向量的重复更新如何增加其范数,从而影响检索性能,特别是在未归一化点积计算下。在MovieLens 32M和Amazon Books等数据集上的实验表明,物品向量中累积的切线移动与频率范数关联以及在使用原始点积排序时增加头部物品曝光率相关。
-
LLM推荐系统易受基于顺序的攻击
研究人员发现,当大型语言模型(LLM)用于推荐系统时,存在重大的安全漏洞。研究表明,即使不改变候选项目的实际内容或标签,LLM接收候选项目呈现的顺序也可以被操纵,从而不公平地推广某些项目。这种“位置偏差”可能被利用来提升不受欢迎的项目进入排名靠前的位置,实验显示推广标签为0的目标成功率高达57%。虽然双向T5编码器和排列一致性正则化可以缓解此风险,但点式评分虽然安全,却会降低整体排名质量。
-
Eugene Yan 在 RecSys 2022 上讨论在线与批量推荐系统
Eugene Yan 在第 16 届 ACM 推荐系统会议 (RecSys 2022) 上发表了主旨演讲,讨论了在线推荐系统和批量推荐系统之间的权衡。他的演讲题为“在线推荐系统:值得付出努力吗?”,探讨了在什么情况下,尽管增加了复杂性和成本,实时系统仍然有益,以及何时简单的批量推荐器就足够了。Yan 分享了他在 Amazon Books 工作期间利用在线推荐系统解决冷启动用户、上下文相关性和减少浪费等具体挑战的三个案例。
-
RecSys 2022 主旨演讲 - 值得付出努力吗?
Eugene Yan 在 RecSys 2022 在线推荐系统与用户建模研讨会上发表了主旨演讲。他的演讲题为“在线推荐系统:值得付出努力吗?”,探讨了批处理推荐系统与在线推荐系统之间的权衡。Yan 先生通过亚马逊图书的三个案例研究,阐述了在线推荐系统的优势,并分享了其在实施过程中吸取的经验教训。