MovieLens 1M
PulseAugur coverage of MovieLens 1M — every cluster mentioning MovieLens 1M across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
受束几何启发的LightGCN新扩展改进推荐系统
研究人员开发了一种新的协同过滤方法,该方法使用受胞束启发的概念扩展了LightGCN模型。这种方法修改了用户和项目嵌入的转换方式,而不是改变图传播机制。在多个数据集上的实验显示,排名质量有所提高,目录覆盖率有显著变化,尽管该研究澄清该方法受束几何的启发,并未直接实现束-拉普拉斯扩散。
-
LLM将复杂的推荐系统编辑转化为人类可读的解释
研究人员开发了一种使用大型语言模型(LLM)将复杂反事实编辑列表转化为推荐系统可理解的自然语言解释的方法。这些LLM驱动的解释旨在通过总结更高级别的偏好模式来弥合原始解释数据与用户理解之间的差距。在MovieLens-1M数据集上的评估表明,这些摘要达到了很高的语言质量,并且像直接偏好优化(Direct Preference Optimization)这样的方法可以提高语义指标。
-
新的NDL框架主动去噪推荐系统
研究人员开发了一个名为噪声感知维度学习(NDL)的新框架,通过主动识别和缓解噪声交互来改进推荐系统。与以往被动依赖训练损失的方法不同,NDL使用表示一致性检测(RCD)来根据用户-物品交互的嵌入空间一致性主动评估其可靠性。这种主动信号与损失信号融合,驱动一个自适应掩码,限制不可靠交互的影响。NDL在Amazon Books、Yelp和MovieLens-1M等基准测试中持续优于最先进的去噪方法,在不增加推理延迟的情况下显著提高了召回率。
-
CascadeRec 系统在生产中将 LLM 推荐成本降低了 10%
一篇新的研究论文介绍 CascadeRec,一个专为多租户SaaS环境中的内容推荐设计的两级 LLM 重排系统。CascadeRec 在 AWS EKS 和 Google Kubernetes Engine 上投入生产使用,它使用一个轻量级模型处理所有请求,并将其中一部分请求升级到更强大、更昂贵的模型。这种方法已在生产中证明可将推理成本降低 10%,同时对延迟的影响极小,且未观察到质量下降。在 MovieLens-1M 和 Amazo…
-
LLM推荐系统:预处理影响效用和公平性
一篇新的研究论文探讨了不同的数据预处理技术如何影响用于推荐系统的大型语言模型(LLM)的性能和公平性。在MovieLens-1M数据集上的实验表明,使用原始项目标题、人口统计平衡和知识丰富等方法可以提高推荐的效用和一致性。然而,该研究还发现,虽然年龄平衡和知识丰富在不显著损害整体效用的情况下减少了效用差距,但性别平衡却降低了效用,而没有改善评估的性别相关指标。研究结果强调需要联合评估预处理选择对效用、输出行为和人口统计敏感性的影响。
-
新的Agentic框架有望实现自进化推荐系统 · 跟踪2个来源
两篇新的研究论文介绍了用于自进化推荐系统的先进Agentic框架。DualEvolve专注于推荐模型和Agent编排的协同进化,在基准数据集上展示了优于现有方法的性能。另一方面,EvoRec提出了一个统一的框架,将自主决策与反思驱动的自进化相结合,在工业规模的A/B测试中显示出广告收入和点击率的显著提高。
-
CRIM框架大幅降低了个性化AI搜索和推荐的成本
研究人员开发了CRIM,一个旨在提高个性化搜索和推荐系统效率的新框架。CRIM将项目编码与用户历史建模分开,使用可学习的摘要令牌将项目压缩成可重用的记忆。通过避免重复编码项目文本,这种方法显著降低了个性化检索中大型语言模型的计算成本。在MovieLens-1M和Qilin等数据集上的评估表明,CRIM以显著降低的推理成本实现了最先进的性能。
-
Decision4Rec 框架将决策模型集成到推荐系统中
研究人员开发了 Decision4Rec,一个旨在将决策模型集成到推荐系统中的新颖框架。该框架利用知识图谱和活动图谱记录推荐场景,并采用一组代理来提出候选,然后由一个残差排序器选择最佳选项。决策模型(例如商业 Jev)在真实选择上进行训练,以提供每个选项的概率,然后将这些概率与排序器的分数相结合。该框架在推荐准确性方面表现出显著的改进,在稀疏数据集上的 NDCG@10 指标上比基线提高了高达 36%,在稠密数据集上几乎与基线持平。
-
新的连续查询方法增强了生成式推荐系统
研究人员引入了两种新的连续查询范式,CQG-Single和CQG-AR,旨在通过将输出表示与离散的语义ID解耦来改进生成式推荐系统。这些方法旨在使所有编码的项目都可以直接评分,从而消除了有限束解码和SID词汇对齐带来的限制。在评估中,CQG-Single在七次运行中均优于TIGER风格的基线,同时使用的可训练参数更少,而CQG-AR在多个数据集上表现出相当或更强的性能。
-
新的图摘要方法AURORA将EDI嵌入用户偏好聚合中
研究人员开发了一种名为AURORA的新方法,用于聚合用户偏好,同时优先考虑公平、多元和包容性(EDI)。该方法将EDI约束直接嵌入用户偏好图结构中,而不是在聚合后进行修正。AURORA利用贪婪粗化算法合并用户节点,强制执行特定的结构性EDI标准,如公平差距约束、列表内多元性约束和群体包容性约束。在包括电影推荐、教授评分和学术作者列表在内的五个领域的跨数据集评估表明,AURORA持续提高了多元性,并且与Borda和Condorcet等经…
-
研究:开放索引在搜索推荐系统中提供效率
一篇新的研究论文探讨了共享搜索和推荐索引之间的权衡,发现双编码器检索系统可以在不显著损失准确性的情况下保持索引对新项目的开放。这种方法与需要为新内容重新训练的传统ID-softmax推荐器形成对比。该研究使用MovieLens 1M和MIND等数据集,量化了开放索引和重新训练模型之间的准确性差距,并强调虽然开放索引更有效,但在大规模实现精确质量训练仍然是一个悬而未决的挑战。
-
RetrievalFormer: 双编码器Transformer用于冷门商品推荐
研究人员开发了RetrievalFormer,一个双编码器Transformer模型,用于高效的近似最近邻检索和冷门商品推荐。该模型解决了在不重新训练的情况下将新商品纳入搜索和推荐索引的挑战,这是ID-softmax推荐器普遍存在的问题。RetrievalFormer仅根据特征对新商品进行评分,从而保持开放索引,并在MovieLens-1M和MIND等数据集上取得了有竞争力的性能,尤其是在冷启动场景下。
-
Pairwise ranking beats RL for LLM explanation selection in recommendation systems
研究人员开发了一种从大型语言模型(LLM)中选择推荐系统解释的新方法,显著降低了服务成本和延迟。通过预先生成解释池并使用驻留在CPU上的选择器,该系统无需GPU即可在100毫秒内响应。研究发现,成对学习排序方法(特别是LambdaRank)在选择最佳解释方面优于单动作强化学习方法,在基准数据集上取得了更高的F1分数。
-
X-KGRank框架利用知识图谱和LLM增强推荐系统
研究人员开发了X-KGRank,一个结合知识图谱检索和大型语言模型(LLM)以改进推荐系统的新框架。该方法通过将LLM的解释 grounding 在用户历史和结构化数据中,解决了现有方法的局限性,从而减少了幻觉。该框架构建了一个异构知识图谱,并采用LightGCN ranker,在MovieLens-1M数据集上的表现优于基线方法。
-
LLMAR框架利用LLM推理进行稀疏工业推荐
研究人员开发了LLMAR,一个旨在改进稀疏、富文本工业领域推荐系统的新型框架。与在数据有限或LLM微调成本高昂的情况下挣扎的传统方法不同,LLMAR在没有任何训练过程的情况下利用LLM推理。它通过一个推理驱动的注释系统(将用户行为转化为语义动机)、一个用于自我纠正的反射循环和一个成本效益高的架构来实现这一点。评估表明,LLMAR的性能显著优于现有模型,为B2B应用提供了一种实用且高效的替代方案。
-
新的损失函数改进了用于推荐的图神经网络
研究人员开发了一种名为基数分解损失(CDL)的新方法,以提高图神经网络在推荐系统中的性能。传统方法通常使用单一损失函数,如贝叶斯个性化排序(BPR),这可能导致属性嵌入崩溃并对下游任务产生负面影响。CDL 将交叉熵(CE)与 BPR 相结合,以更好地优化具有不同基数的关系,从而提高属性嵌入的可区分性。CDL 的有效性在五个数据集上得到了证明,其性能受到语义对齐和拓扑泄露等图属性的影响。
-
RouteRec框架解决了推荐系统中代理的选择问题
一个名为RouteRec的新框架已被开发出来,用于解决在面对多个异构选项时,为推荐系统选择最佳代理的挑战。该框架将硬选择代理与学习聚合进行比较,并在MovieLens 1M数据集上评估性能。结果表明,虽然硬选择难以超越BM25等基线方法,但学习聚合显示出潜力,一种门控全代理方法实现了更高的HR@10和NDCG分数,尽管LLM使用量很大。
-
RouteRec框架评估LLM在推荐系统中的集成
一篇新的研究论文介绍了一个名为RouteRec的框架,该框架旨在评估推荐系统如何从包括传统方法和LLM重新排序器在内的各种代理中选择和聚合信息。研究发现,虽然一个完美的Oracle系统具有巨大潜力,但在成本限制下的简单硬选择方法并未优于现有的基线(如BM25)。然而,学习到的聚合策略,特别是在项目层面,显示出希望,其中一个变体匹配了BM25,另一个在管理LLM使用的情况下实现了更高的HR@10分数。
-
新AI方法优先考虑对弱势用户的媒体推荐安全
研究人员开发了RankAid,一种新颖的重新排序方法,旨在提高媒体推荐系统中用户的安全性,特别是对于经历心理健康危机用户。该方法作为现有算法的附加组件,根据用户脆弱性对有害内容进行惩罚,并推广治疗性替代方案。使用MovieLens 1M数据集的评估表明,RankAid在关键时期有效阻止危险推荐并缓和情绪状态,同时对标准准确性指标的影响很小。
-
CASP算法改进了两阶段推荐系统的离线策略选择
研究人员推出了一种用于两阶段推荐系统策略选择的新方法CASP(Coupled Action-Set Pessimism,耦合动作集悲观法)。该方法解决了初始物品生成器改变会同时改变估计策略值和支持该估计的数据的挑战。CASP结合了双重稳健值估计和弱数据支持的惩罚项,旨在通过考虑数据的可信度来选择更可靠的策略。