recommender system
PulseAugur coverage of recommender system — every cluster mentioning recommender system across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI驱动的图书推荐器利用封面图提供建议
一位软件工程师开发了一个名为 By-Its-Cover 的图书推荐系统，该系统利用 AI 根据书籍封面进行推荐。该系统采用 CLIP 嵌入技术，既能对书籍封面进行语义搜索，又能通过协同过滤模型提供个性化推荐。用户可以通过搜索书籍或通过评分提供反馈与系统互动，这些反馈会异步地将新书籍添加到数据库并优化个性化推荐。
-
LLM通过软Token融合增强推荐系统 · 跟踪2个来源
研究人员开发了一个名为软Token融合的新框架，用于将数值和嵌入特征集成到大型语言模型（LLMs）的推荐系统中。该方法解决了当前基于LLM的推荐系统主要处理离散文本Token的局限性，使其能够更好地利用连续和密集特征。在亚马逊推荐基准上的实验表明，与现有的LLM基线相比，该方法提高了检索性能，并且交互式融合模块比简单的拼接更有效。
-
LLM驱动的代理系统增强CTV内容发现
本文介绍了一个用于智能电视内容发现的LLM驱动的代理推荐系统。该系统解决了整合各种上下文信号（如热门话题和用户活动）的挑战，而传统的多阶段推荐系统难以处理这些信号。通过利用大型语言模型的推理能力，该系统可以自然地综合来自各种来源和结构的信息，从而减少了对广泛特征工程的需求。所提出的代理架构结合了LLM的灵活性和传统机器学习模型的性能，以克服推理延迟等实际限制并改进推荐任务。
-
人工智能与数据科学驱动送餐推荐引擎
本文探讨了人工智能与数据科学如何用于预测用户对送餐推荐的偏好。文章深入研究了个性化引擎背后的技术，这些引擎分析客户数据以预测用户接下来可能想订购什么。讨论内容涵盖了底层技术及其在送餐行业的应用。
-
调查勾勒推荐系统中自主AI代理的蓝图
本文调查了推荐系统中自主信息检索的演变领域，该领域由基于大型语言模型的代理的集成所驱动。文章提出了一种基于自主性级别的分类法和三个核心范式：代理辅助推荐、代理作为推荐者以及代理作为用户模拟器。该调查还审查了当前的评估方法，讨论了它们的局限性，并概述了在终身用户建模、可信赖性和效率等领域为开发更符合人类需求的推荐代理所面临的开放性挑战。
-
博士生详述首次获得顶级人工智能会议论文录用之路
一位博士生分享了他们首次获得顶级人工智能会议论文录用的个人经历。该过程经历了无数次失败的实验和大量的修改，最终才获得录用。
-
研究：文本评论对推荐系统的提升有限
一篇新发表在arXiv上的研究论文探讨了将文本评论数据纳入推荐系统矩阵分解模型的有效性。研究人员发现，尽管自适应融合机制和交叉注意力可以提高灵活性，但与传统的协同过滤方法相比，文本信号的边际贡献仍然有限。研究结果表明，在典型的评分预测场景中，协同信息仍然主导着性能，这促使人们重新考虑如何整合语义评论数据。
-
新框架优化日志策略以提高离线策略评估的准确性
研究人员开发了一个新的日志策略设计框架，以提高离线策略评估（OPE）的准确性。OPE对于使用现有策略收集的数据来估计新策略（如推荐系统）的性能至关重要。该研究确定了奖励覆盖率和方差之间的关键权衡，并为目标策略和奖励分布已知、未知或部分已知等各种场景提出了最优日志策略。研究结果为公司选择推荐系统提供了实际指导，并强调了在OPE数据收集过程中选择处理方法的重要性。
-
新论文探讨了具有时间动态的矩阵分解
本文深入探讨了矩阵分解的复杂性，特别关注其在推荐系统中时间动态的应用。它探讨了处理时变数据以提高推荐准确性的高级技术和注意事项。该文旨在为该领域的从业者提供对这些方法的全面理解。
-
代理推荐系统推动银行业超个性化
本文探讨了代理推荐系统在银行业实现超个性化的应用。文章讨论了这些系统如何为金融机构重新定义实时客户体验。该文章是系列的第一章。
-
代理推荐系统推动银行客户体验的超个性化。
本文探讨了代理推荐系统在银行业实现超个性化的应用。文章讨论了这些系统如何为零售银行重新定义实时客户体验。该文章是系列的第一章。
-
Eugene Yan 回顾 2022 年，详述职业成长、写作目标和投资理念
Eugene Yan 的 2022 年回顾重点介绍了个人和职业成就，包括撰写了 18 篇关于文本到图像和机器学习技术等技术主题的文章。他从 L5 晋升到 L6，专注于机器学习策略和产品开发。Yan 还在 RecSys 研讨会上发表了主旨演讲，倡导使用批量推荐系统而非实时系统。
-
Eugene Yan 分享持续机器学习教育的策略
Eugene Yan 的文章为在这个快速发展的机器学习领域保持更新提供了实用的建议。他建议在项目中积极尝试新工具和技术，与同事分享学习心得，并承担能突破界限的个人项目。Yan 还强调了参加聚会和会议以与专家建立联系的价值，并建议通过团队读书会等方式持续阅读研究论文，以加深理解并避免重复工作。
-
Eugene Yan 分享推荐系统和搜索的系统设计讲座
Eugene Yan 最近在 MLOps 社区和 SF Big Analytics 的两次独立聚会上就推荐系统和搜索的系统设计进行了演讲。这两场演讲分别于 2021 年 9 月和 2021 年 7 月举行，涵盖了构建和部署此类系统的关键方面。Yan 的演讲有录音和幻灯片可供观看，并提供了学术引用的来源。