Kuairec
PulseAugur coverage of Kuairec — every cluster mentioning Kuairec across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探索 LLM 推荐系统的自适应记忆和提示学习
两篇新研究论文探讨了改进基于大型语言模型 (LLM) 的推荐系统的方法。第一篇论文介绍了 MATE 框架，该框架使用自适应的长期和短期用户记忆来更好地区分持久偏好和近期兴趣，并在基准数据集上显示出显著的改进。第二篇论文提出了 LRPRec，它为 LLM 在推荐任务中学习个性化提示，通过将用户行为注入共享提示并约束语义漂移来解决鲁棒性和手动提示工程问题。
-
新AI方法通过优化物品分词来增强生成式推荐系统 · 追踪6个来源
研究人员开发了多种优化物品分词以改进生成式推荐系统的新方法。其中一种方法Tlow使用基于流的模型将语义嵌入转换为标准正态分布，从而实现独立分词，并将微信等平台的用户点击率提高了10%以上。另一种方法DASO通过优化基于难度的奖励来解决基于语义ID的生成中的挑战，在多个基准测试中表现优于现有的GRPO方法。此外，一种动态单层语义码本方法降低了自回归解码成本并提高了检索指标，在在线A/B测试中主要消费指标提高了0.792%。另一种技术语义…
-
UniMoMo框架压缩MoE推荐模型以加速推理
研究人员开发了UniMoMo，一个训练后压缩框架，旨在加速使用混合专家（MoE）层的推荐模型。该方法根据专家的功能相似性而非参数距离对专家进行分组，并使用无标签的校准数据来评估专家对推荐状态的响应相似度。UniMoMo还引入了一个层自适应保护机制，通过限制高流量专家的合并来防止性能下降。在Amazon Beauty、KuaiRec和TenRec等数据集上的实验表明，将MoE模型压缩到更少的专家数量可以显著提高推理速度，同时保持高质量的推荐效果。
-
新的推荐系统为新用户提供即时个性化
研究人员开发了一种使用可变低秩草图的新型推荐系统，该系统可以在1毫秒内为新用户提供个性化推荐。该方法将用户偏好存储在KP树中，允许在不进行完全模型重新训练的情况下即时重新计算嵌入。与ALS等传统方法相比，该系统实现了更低的RMSE，并显著减少了数据读取需求，同时还提供了更快的批量更新。
-
CTR-Sink 框架改进了语言模型在点击率预测中的性能
研究人员开发了 CTR-Sink，一个旨在提高语言模型在点击率预测任务中性能的新框架。该方法解决了将语言模型应用于用户行为序列的挑战，因为用户行为序列在结构上与自然语言不同。CTR-Sink 在离散的用户行为之间引入“注意力汇聚”，以帮助模型关注有意义的行为边界和关系，从而提高预测准确性。在工业和开源数据集上的实验证明了该框架的有效性。