SASRec
PulseAugur coverage of SASRec — every cluster mentioning SASRec across labs, papers, and developer communities, ranked by signal.
-
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，该框架整合了音频、歌词和大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Recall和NDCG等推荐指标上有了显著的改进，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。