MovieLens 1M
PulseAugur coverage of MovieLens 1M — every cluster mentioning MovieLens 1M across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。