Amazon Reviews 2023
PulseAugur coverage of Amazon Reviews 2023 — every cluster mentioning Amazon Reviews 2023 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的RAG框架提升个性化对话式购物体验
研究人员开发了一个新的多智能体、多模态检索增强生成（RAG）框架，旨在增强个性化的对话式购物体验。该框架分解了对话状态跟踪、推荐检索、偏好推理和响应生成，整合了产品元数据、评论和用户历史记录等各种数据源。在Amazon Reviews 2023基准上的评估表明，启用检索的版本显著优于没有RAG的基线，而一项小型用户研究表明，完整框架实现了更高的感知个性化。
-
新的REPAIR方法通过恢复丢失的用户偏好数据来改进个性化编码器
研究人员开发了一种名为REPAIR的方法来解决个性化编码器中有损的用户偏好状态问题。该技术将缓存的表示与当前偏好状态进行比较，以恢复缺失的证据，从而提高推荐任务的性能。REPAIR在各种数据集和推荐系统上展示了MRR和nDCG@10等指标的显著提升，优于仅头部微调。
-
新的LLM框架增强序列推荐系统 · 跟踪4个来源
研究人员正在开发新的方法来利用大型语言模型（LLM）进行序列推荐系统。一种方法ED$^2$将索引生成和推荐整合到统一的管道中，改进了语义和协同信息的整合。另一个框架TATK结合了Top-K学习和基于知识的验证，以提高基于LLM的推荐的准确性，特别是在全目录排名方面。第三种方法P$^3$Rec从LLM中提取用户先验和后验偏好，以创建更全面、更高效的推荐模型。
-
新的MEMOIR框架通过时序用户行为分析增强推荐系统
研究人员推出了一种新颖的MEMOIR框架，旨在通过捕捉时序用户行为来改进推荐系统。MEMOIR将用户交互历史分割成不同的时间窗口，利用LLM为每个时期生成语义记忆，并将这些信息综合成全面的用户表示。虽然MEMOIR在聚合指标上与领先的基线UniSRec表现相当，但其主要贡献在于在表现出高或低偏好漂移的用户中表现更优，表明其在捕捉用户随时间变化的细微行为方面非常有效。
-
LATTE框架预测用户偏好以实现个性化LLM生成
研究人员推出LATTE，一个用于通过预测用户偏好轨迹来个性化大型语言模型（LLM）的新框架。与将用户历史聚合为静态配置文件的现有方法不同，LATTE将个性化建模为预测用户相对于其同伴的相对偏好状态。这种方法旨在更有效地捕捉稳定的用户身份和最近的行为变化。在Amazon Reviews 2023等数据集上的实验表明，LATTE在个性化性能上显著优于基线方法。
-
Eugene Yan 训练 LLM-推荐混合模型以实现可控、可解释的推荐
Eugene Yan 开发了一种新颖的推荐系统方法，通过训练一个能够理解自然语言和物品 ID 的混合语言模型。该模型将语义 ID 令牌扩展了语言模型的词汇表，不仅可以根据用户历史记录生成推荐，还可以响应对话提示来引导建议。该系统旨在结合 LLM 的世界知识和传统推荐系统的目录感知能力，提供可控性和推理能力。