Sequential Recommendation via Cross-Domain Novelty Seeking Trait Mining
PulseAugur coverage of Sequential Recommendation via Cross-Domain Novelty Seeking Trait Mining — every cluster mentioning Sequential Recommendation via Cross-Domain Novelty Seeking Trait Mining across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新基准评估大型语言模型在推荐任务上的表现
一项新的基准LLMRec已被开发出来，用于评估大型语言模型（LLMs）在推荐任务上的表现。该基准测试了包括ChatGPT、LLaMA和ChatGLM在内的多个LLMs，涵盖了五个不同的推荐场景：评分预测、序列推荐、直接推荐、解释生成和评论摘要。虽然LLMs在预测任务上的准确性适中，但在生成解释方面，它们的表现与现有方法相当。定性评估表明，LLMs能够有效地处理信息，产生清晰且合乎逻辑的输出，这表明它们有潜力增强推荐系统。
-
新的LLM框架增强序列推荐系统 · 跟踪4个来源
研究人员正在开发新的方法来利用大型语言模型（LLM）进行序列推荐系统。一种方法ED$^2$将索引生成和推荐整合到统一的管道中，改进了语义和协同信息的整合。另一个框架TATK结合了Top-K学习和基于知识的验证，以提高基于LLM的推荐的准确性，特别是在全目录排名方面。第三种方法P$^3$Rec从LLM中提取用户先验和后验偏好，以创建更全面、更高效的推荐模型。
-
新研究应对生成式推荐挑战，提高公平性和准确性
多篇研究论文正在探索生成式推荐系统的进展，重点是提高准确性和公平性。EchoRec 提出了一种跨多个时间范围对齐偏好的方法，以实现更好的生成式推荐。FSGR 解决了基于语义 ID 的推荐中的 token 频率偏差，以确保更公平的物品曝光。DiffGRM 采用基于扩散的方法，更鲁棒且并行地生成物品 ID，提高了推荐准确性。DTAMLP 提出了一种用于基于会话的推荐的去噪和时间感知 MLP，识别并减轻意外点击产生的零星噪声。HCGRec …
-
ClockRoPE 增强 LLM 的时间序列建模能力 · arXiv 研究
研究人员开发了 ClockRoPE，一种用于时间序列建模的新颖方法，可增强基于 Transformer 的大型语言模型的性能，尤其是在顺序推荐任务中。这种新方法利用了源自注意力调制函数傅里叶变换的随机傅里叶旋转，以更好地捕捉时间周期性等复杂的距离相关模式。ClockRoPE 在在线 A/B 测试的参与度指标中显示出持续的改进，并且已经在大型视频分享平台的生成检索系统中投入生产使用。
-
LLM通过新颖的融合和合并技术增强推荐系统 · 跟踪2篇论文
两篇新的研究论文提出了使用大型语言模型（LLM）增强序列推荐系统的新颖方法。第一篇，IMFuse，引入了一种实例感知的多层融合策略，该策略自适应地聚合来自各种LLM层的语义信息，平均性能比现有方法高出6.72%。第二篇，SharpRec，通过采用锐度感知几何对齐和偏好显著性激活来解决跨域序列推荐中的挑战，以防止模型合并过程中的知识冲突和性能饱和。两种方法在广泛的实验中都显示出比最先进的基线有显著的改进。
-
为序列推荐学习用户历史表示
本文探讨了在序列推荐系统中学习用户历史表示的方法。它深入研究了捕捉用户随时间变化的偏好以提高推荐准确性的技术。重点在于增强推荐算法中对用户行为模式的理解。
-
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。
-
新的Stresa框架增强了用于推荐的多模态嵌入模型
研究人员推出了一种名为Stresa的新型框架，旨在增强大规模预训练多模态嵌入模型在序列推荐任务中的性能。Stresa通过引入流感知隐藏适配器融合（SHAF）来保持融合过程中的历史记忆，并使用残差流适配器（ReSA）在层间进行选择性更新，从而解决了这些模型的适配挑战。实证评估表明，Stresa在公共数据集上的表现优于现有的侧面适配器和最先进的基线模型，展示了其在适配大规模嵌入模型以用于推荐系统方面的有效性。
-
新框架GenAIR增强推荐系统的物品表示
研究人员开发了GenAIR，一个旨在通过创建更有效的物品表示来改进序列推荐系统的新框架。该方法使用大型语言模型为每个物品推断一个“原型”，代表其理想的目标受众，然后通过校准目标将其置于实际用户行为中。实验表明，GenAIR在多个数据集上显著提高了各种推荐模型的性能，优于现有方法。