实体
Length-Aware Attention Calibration
Length-Aware Attention Calibration
PulseAugur coverage of Length-Aware Attention Calibration — every cluster mentioning Length-Aware Attention Calibration across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的LBR框架减轻了基于LLM的推荐系统中的长度偏差
研究人员推出了一种新颖的LBR框架，旨在解决大型语言模型（LLM）在推荐系统应用中存在的长度偏差问题。这种偏差源于较长的项目描述会不成比例地影响用户偏好建模和输出生成。LBR采用了两种关键策略：长度感知注意力校准（Length-Aware Attention Calibration）以中和注意力倾斜，以及有效信息长度归一化（Effective Information Length Normalization），该方法利用信息论方法更好…
-
新的LBR框架解决了基于LLM的推荐系统中的长度偏差问题
研究人员开发了LBR（长度偏差减少）框架，旨在解决用于推荐系统的大型语言模型（LLM）中的长度偏差问题。这种偏差的发生是因为较长的项目描述会不成比例地影响用户偏好建模，并且在解码时会受到固有歧视。LBR采用长度感知注意力校准来中和输入端的偏差，并采用有效信息长度归一化来处理输出端。在Amazon数据集上的实验表明，LBR以最小的开销显著提高了推荐的准确性和公平性，平均NDCG@5提升了16.82%。