实体
Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation
Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation
PulseAugur coverage of Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation — every cluster mentioning Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新方法使用LLM为推荐系统中的可解释负反馈
研究人员为推荐系统开发了一种新方法,解决了显式负反馈缺失的问题。这种方法称为隐式负候选发现,通过观察到的客户行为支持识别未观察到的交互。这些模式被编码为符号规则,根据相关性和证据进行评分,然后由大型语言模型(LLM)根据业务目标进行解释。该方法在工业和公共数据集上显示出改进的精度和下游测试性能,增强了稀疏推荐环境中的可解释性和模型训练。
-
新方法通过可解释的负反馈改进推荐系统
研究人员开发了一种用于推荐系统中隐式负面候选发现的新方法,解决了显式负面反馈的缺失问题。该方法通过观察到的客户行为支持识别未观察到的交互,并将这些模式编码为可解释的符号规则。这些规则根据支持度、信息量和产品相关性进行评分,然后按证据排序。LLM 使用业务目标来解释保留的规则,并将统计证据和解释相结合呈现在最终报告中。在工业 B2B 环境和公共数据集上的评估表明,精度高于基线方法,在工业任务上,下游测试 PR-AUC 提高了 12.5%。