BPR
PulseAugur coverage of BPR — every cluster mentioning BPR across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的PCGNet框架统一了时尚兼容性和用户偏好
研究人员开发了PCGNet，一个新颖的图学习框架，旨在改进时尚搭配推荐。该多目标系统通过对比互信息最大化提取共享和特定模式，统一了产品兼容性和个人用户偏好。PCGNet通过相关感知邻居采样和可学习的全局图增强，从图中引入自监督信号来增强其表示。在基准数据集上的实验结果表明，PCGNet在四个评估指标上显著优于现有方法。
-
群体推荐评估偏差被揭露，影响已报告的进展
一篇新发表在arXiv上的论文强调了群体推荐系统中潜在的评估偏差。研究表明，像HR@K和NDCG@K这样的标准指标可能对评估期间如何解决平局过于敏感，从而可能夸大已报告的进展。作者提出了一种考虑平局的评估协议，并表明在考虑了这种偏差后，许多已报告的改进会显著减弱，从而导致对方法排名的重新理解。他们还建议，温度缩放的BPR可以在没有严重平局膨胀的情况下提供好处。
-
新研究详细阐述了流行度偏差对AI推荐器嵌入的影响
一篇新研究论文发布在arXiv上，探讨了流行度偏差反馈对协同过滤嵌入的影响。该研究引入了一个中心协方差定理来分析这种偏差如何重塑用户嵌入，导致用户间的区分度塌缩至噪声地板。研究人员在训练超参数中推导出了一个可计算的相边界，该边界区分了收缩和扩张，并在MovieLens-25M数据集上验证了他们的预测。研究结果表明，虽然在部署规模的正则化下存在策略驱动的收缩，但其规模很小，并且不会显著影响推荐级别的指标。
-
人工智能估算产品碳足迹，助力绿色电子商务
研究人员开发了一种估算电子商务推荐产品碳足迹的方法，即使在缺少标签的情况下也能实现。这是通过利用语义相似性和LLM提示来推断碳数据实现的。事后重新排序策略然后平衡预测的用户参与度和估算的碳影响，在各种产品类别中展示了在参与度损失极小的情况下显著减少碳排放。
-
人工智能估算产品碳足迹，助力绿色电子商务
研究人员开发了一种估算电子商务产品碳足迹的方法，即使在缺少标签的情况下也能实现。这是通过使用大型语言模型（LLMs）和语义相似性，从少量评估产品中推断碳足迹来实现的。然后，该系统重新排序产品推荐，以平衡用户参与度和碳减排，证明了在对用户兴趣影响极小的情况下实现显著碳节省是可能的。