PulseAugur
中
实时 08:52:12
实体 item embeddings

item embeddings

PulseAugur coverage of item embeddings — every cluster mentioning item embeddings across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 3 条
  1. TOOL · CL_338569 ·

    PACERec框架增强LLM嵌入,以改进推荐系统

    研究人员推出PACERec,一个旨在通过渐进式适应大型语言模型(LLM)物品嵌入来增强推荐系统的新框架。该方法解决了当前方法常忽略序列转换并在稀疏交互数据(尤其对不太受欢迎的物品)方面存在局限性的问题。PACERec学习一个共享的速率场,使用频率加权流匹配来整合先前的交互上下文,从而引导静态LLM嵌入朝向行为目标,并提高用户建模和候选评分的序列模式泛化能力。在真实数据集上的实验表明,PACERec在整体和长尾推荐场景中均优于现有方法。

  2. RESEARCH · CL_298429 ·

    新研究强调语言嵌入的隐私风险和多语言检索挑战

    发表在arXiv上的研究探讨了推荐系统中使用的语言嵌入的隐私影响。其中一篇论文详细介绍了物品嵌入如何通过简单的余弦相似度攻击无意中泄露物品身份,即使描述来源独立,并且这种泄露如何扩展到用户重新识别。另一项研究调查了多语言密集检索器的挑战,发现共享索引会导致跨语言检索分歧,并提出了一种缓解此问题的引导方法。第三篇论文提出了一个多语言检索框架,用于将科学论点与其来源进行匹配,该框架利用了密集检索和交叉编码器重排序。

  3. RESEARCH · CL_268094 ·

    LLM增强了探索型用户的流媒体推荐,但存在权衡 · 跟踪2个来源

    两篇新研究论文探讨了在流媒体推荐系统中使用大型语言模型(LLM)进行用户画像的有效性。研究将LLM生成的画像与传统的聚合方法进行了比较,发现LLM对于行为偏离其历史记录的探索型用户更有效。然而,LLM生成的画像可能导致流行度吸引效应,降低目录覆盖率和新颖性。研究表明,上下文感知系统可以根据用户的消费模式动态选择画像策略。