SASRec
PulseAugur coverage of SASRec — every cluster mentioning SASRec across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的CutBCE方法优化推荐系统训练，减少内存使用并加速计算
研究人员开发了一种名为CutBCE的新颖方法，用于优化大型词汇推荐系统中的二元交叉熵（BCE）损失。该方法解决了在海量商品目录上训练模型时出现的内存限制和内存溢出错误。CutBCE利用JAX和Pallas通过硬件加速，实现精确的融合重构和自定义向量-雅可比积（Vector-Jacobian Product）的片上计算，以避免在大带宽内存（High Bandwidth Memory）中存储大型张量。在TPU v5e/v6e和8芯片TPU…
-
AI代理通过不断发展的外部模型探索递归自我改进 · 跟踪了10个来源
多篇研究论文探讨了AI代理的递归自我改进（RSI）技术，旨在无需持续的人工干预或核心模型的再训练即可增强其能力。这些方法侧重于演进外部组件，如验证器、约束器或世界模型，然后由这些组件指导代理的学习和决策过程。方法包括用于验证器程序的统一协同进化（UCoE）、用于具身代理的AdaRSI、用于策略和记忆适应的MMLA-RSI，以及用于显式世界-语言-动作模型的D-World。其他研究引入了物理RSI（用于机器人）、AReaL-RSI（用于…
-
新方法通过演化记忆和重排序增强生成式推荐系统
研究人员开发了新的方法来改进生成式推荐系统，该系统旨在通过对用户交互序列进行建模来提供个性化推荐。一种名为 LION 的方法引入了自演化记忆范式，以解决主导用户模式掩盖不太常见模式的“演化冲突”问题。另一种方法侧重于偏好漂移感知子序列学习和分层上下文融合，以更有效、更准确地处理长序列。此外，还提出了一种通用的生成式重排序技术，通过充当验证器来增强现有推荐检索器的性能，在不重新训练检索器的情况下提高召回率。
-
新框架FunnelAudit增强多路推荐系统中的问责制
研究人员开发了FunnelAudit，一个旨在提高多路推荐系统问责制的新框架。这些系统结合了检索、分配、融合和排序等多个阶段，使得精确找出特定结果的确切原因变得困难。FunnelAudit通过为有争议的事件指定一个问责合同，并评估所有允许的控制配置，来确定使某个控制起关键作用的最小行动集，从而解决这一问题。该框架已在三个真实交互数据集上进行了测试，结果显示，相当大比例的用户-目标事件承认存在负责任的控制，并且单一控制的剔除通常不足以恢复结果。
-
新研究解释了为何 AI 推荐器偏好最后一次互动
研究人员已确定了一个结构性原因，解释了顺序推荐器中的因果自注意力模型为何高度偏好最后一次互动。这种被称为“残差主导”的现象发生，是因为残差加法将模型的表征转移到同位置的贡献上。通过在推理过程中操纵残差强度，研究人员展示了结构混合与依赖最后一项之间的权衡，这表明了一种缓解这种常见行为的方法。
-
新测试审计推荐系统中的语义收益
研究人员开发了一种名为LIME-Rec的新方法来审计推荐系统中的语义收益。这个轻量级测试使用三个独立的专家——一个序列专家、一个共现专家和一个具有冻结嵌入的语义专家——来分析性能。LIME-Rec在多个数据集上取得了优异的结果，比现有基线高出12%。研究表明，推荐系统的改进通常是由于离线项目表示的有效融合，而不是仅仅依赖于服务时语言建模。
-
新的MEMOIR框架通过时序用户行为分析增强推荐系统
研究人员推出了一种新颖的MEMOIR框架，旨在通过捕捉时序用户行为来改进推荐系统。MEMOIR将用户交互历史分割成不同的时间窗口，利用LLM为每个时期生成语义记忆，并将这些信息综合成全面的用户表示。虽然MEMOIR在聚合指标上与领先的基线UniSRec表现相当，但其主要贡献在于在表现出高或低偏好漂移的用户中表现更优，表明其在捕捉用户随时间变化的细微行为方面非常有效。
-
新的DeltaGate方法解决了推荐系统中的零观测用户再激活问题
研究人员开发了一种名为DeltaGate的新方法，以解决顺序推荐系统中零观测用户再激活的挑战。该方法旨在使用一种由差距驱动的维度门控机制，重新吸引长时间未与平台互动的用户。DeltaGate通过根据上次互动以来的时间差距，在用户的历史数据和学习到的全局先验之间路由表示维度来工作。
-
Lattice系统通过置信门控增强序列预测
研究人员开发了Lattice，一个用于不确定性感知序列预测的新型系统。该混合系统使用置信门控选择性地激活学习到的行为原型，在不确定时回退到基础模型。在MovieLens和Amazon Electronics等数据集上的实验表明，预测准确性显著提高，某些情况下提高了30%以上。
-
大型语言模型通过多模态内容分析增强音乐推荐
研究人员开发了一个新的多模态框架，用于基于会话的音乐推荐，该框架集成了音频、歌词和大型语言模型生成的语义元数据。这种方法旨在克服将歌曲视为不透明标记的传统系统的局限性。实验表明，通过整合基于内容的特征，在召回率（Recall）和NDCG等推荐指标方面取得了显著改进，尽管通过朴素的多模态融合实现累加效益仍面临挑战。
-
新的可解释模型增强了技能感知人才推荐
研究人员开发了一种名为CF-RL-TOPSIS的新型可解释融合模型，用于技能感知人才推荐。该模型结合了协同过滤分支、基于强化学习的算法以及TOPSIS组件，以平衡行为模式、轨迹敏感性和职业标准。在JobHop基准上的评估显示，该模型在NDCG@5得分上达到了0.3040，优于其他几种推荐方法。
-
AI通过提取感官数据和建模语义转换来增强推荐系统
研究人员开发了新的顺序推荐系统方法，该系统利用产品评论和商品属性中的丰富语义信息。一种方法ASER使用微调的大型语言模型从评论中提取感官属性，将其提炼成增强推荐准确性的嵌入。另一种方法CAST对语义级转换进行建模，并结合LLM验证的互补先验，以更好地识别真实的商品互补性，其性能优于现有模型，并提供了显著的训练加速。
-
Eugene Yan 回顾 RecSys 会议，重点介绍推荐系统中的 AI 进展。
Eugene Yan 对 RecSys 2022 的回顾强调了行业投稿的显著增加，以及对算法进步和实际应用的关注。关键论文探讨了使用近期采样对顺序推荐进行高效训练，以及将 Bandit 算法应用于模拟行业挑战，特别是在概念漂移方面。会议还继续强调公平性、隐私性和可复现性，几篇论文复现了像 BERT4Rec 这样的成熟模型。