HyFormer
PulseAugur coverage of HyFormer — every cluster mentioning HyFormer across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
QueryFormer凭借新颖的架构赢得KDD Cup 2026挑战赛
研究人员开发了QueryFormer，这是一种新颖的架构，在KDD Cup 2026腾讯UniRec挑战赛中以点击后转化率预测任务获得第一名。该模型通过采用堆叠式统一字段-序列块并利用交叉注意力进行查询生成，有效地整合了特征交互和用户序列行为。该方法在测试集上取得了0.83254的最高AUC分数，进一步的扩展提高了性能并展示了延迟效率。
-
新的MORE架构将多任务学习整合到排序模型骨干网络中
研究人员开发了MORE（Multi-task cO-evolving Ranking modEl），一种新颖的架构，将多任务学习直接整合到排序模型的骨干网络中。与之前仅在骨干网络之后应用多任务的方法不同，MORE使用共享和私有锚点，允许任务特定的信号在每一层与表示一起演进。这种方法在大规模工业数据集上表现出卓越的性能，并且在社交发现平台Momo上部署后，显著提高了用户参与度指标并降低了评分延迟。
-
STAR框架增强推荐系统中的PCVR预测 · 跟踪2个来源
研究人员开发了STAR，一个用于推荐系统中点击后转化率（PCVR）预测的框架。该框架解决了异构特征、用户序列和目标感知兴趣的挑战。STAR将结构化特征分词与目标感知兴趣表示相结合，并基于HyFormer风格的骨干网络。关键创新包括高基数信号恢复、显式用户-物品交互标记以及受InfoNCE启发的对比辅助目标。该系统还对齐了训练和推理流程，以确保鲁棒性。
-
新的STAR框架增强了推荐系统中PCVR的预测能力
研究人员开发了STAR，一个用于预测推荐系统中点击后转化率（PCVR）的框架。STAR通过结合结构化特征分词和目标感知兴趣表示，解决了异构特征、用户序列和稀疏数据等挑战。该框架包含高基数信号恢复、显式用户-物品交互标记以及对比辅助目标。在挑战数据集上的实验表明，时间上下文带来了显著的收益，而对比对齐和目标感知兴趣编码也做出了贡献。
-
新的LENS系统增强了序列CTR预测模型
研究人员推出了一种名为LENS的新型两模块系统，旨在增强序列点击率（CTR）预测模型。LENS旨在改善潜在查询架构中的目标特定控制，因为这些架构有时会稀释这种特异性。该系统包括一个用于查询激活的目标条件查询门（TCQG）和一个用于历史检索的目标条件位置偏差（TCPB）。当与特定于查询的位置偏差（QueryPos）结合使用时，LENS在各种潜在查询骨干网和数据集上均显示出积极的收益，表明其在提高CTR预测准确性方面是有效的。