Amazon Reviews
PulseAugur coverage of Amazon Reviews — every cluster mentioning Amazon Reviews across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TRACE-Memory框架通过选择性使用用户历史记录来增强个性化生成
研究人员开发了TRACE-Memory，一个新颖的两阶段框架，旨在增强个性化生成系统。该框架仅在用户历史记录提供超出公开可用信息的效用时，才选择性地纳入用户历史记录。第一阶段识别并检索请求和公共上下文中缺失的用户特定数据，而第二阶段根据响应的增量效用录入可追溯证据的简洁子集。TRACE-Memory已在各种任务和数据集上展示出优于随机和语义检索方法的持续改进，并保持了与先进LLM内存管道的竞争力。
-
新的EGR框架使用共享大语言模型改进生成式检索
研究人员开发了EGR，一个用于嵌入原生生成式检索的新框架，专为大规模推荐和广告系统设计。EGR利用单个大语言模型（LLM）在共享嵌入空间中学习物品和用户表示，直接将物品索引为密集向量，并将用户历史编码为检索查询。这种联合对比学习方法旨在改善用户-物品匹配度，并在基准测试中展示了卓越的性能，包括通过简化系统设计和提高检索质量，在实际应用中将转化率提升了2.91%。
-
新的自动定向方法优化电子商务营销活动
研究人员开发了一种名为自动定向的新方法，通过联合选择用户和商品来优化电子商务营销活动。该方法使用约束谱双聚类、贪婪局部搜索和多臂老虎机框架来创建具有强用户-商品亲和力的不相交活动。在合成和真实数据集上的评估表明，双聚类能产生高质量、公平的活动，而老虎机方法为更大的数据集提供了可扩展性。
-
新的因果推断方法处理高维处理
研究人员开发了一种新的因果推断方法，用于处理具有大量潜在干预措施的情况，例如预测各种文本输入的影响。该方法将因果推断重新构建为学习问题，将因果误差分解为矩平衡误差。该方法允许将处理效应投影到低维属性上，从而使单个模型无需重新训练即可回答多个因果问题。在连续、离散和基于文本的处理（包括 Amazon Reviews 数据集）上的实证评估表明，优化高阶平衡误差的有效性以及投影因果估计的竞争性能。