Yelp
PulseAugur coverage of Yelp — every cluster mentioning Yelp across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的HETERQA基准测试挑战跨多种数据源的AI记录检索
研究人员推出了HETERQA，这是一个新的基准测试，旨在评估从多个、多样化的数据源提取信息的记录检索系统。该基准测试包含857个问答对，利用了基于五种不同数据类型（包括关系表、文本、图像、空间数据库和知识图谱）的Yelp业务记录。初步评估显示，虽然混合检索方法在Recall@10上表现最佳，Self-RAG在MRR@10上领先，但所有测试系统都未能完全满足基准测试的难度，表明检索技术在未来有很大的进步空间。
-
AI答案引擎重塑超越传统搜索的企业可发现性
随着ChatGPT和Perplexity等AI驱动的答案引擎与传统搜索引擎的差异化，数字营销格局正在发生变化。企业现在必须优化“答案引擎优化”（AEO），以确保可发现性。这包括在各个平台保持一致的企业信息，创建直接回答长篇查询的对话式内容，以及在多个网站上分发评论，以建立AI系统的信誉。
-
新的TRACE基准评估值得信赖的旅游AI推荐
研究人员推出了TRACE，这是一个旨在评估旅游领域对话式推荐系统的新基准数据集。TRACE满足了系统不仅要推荐相关的兴趣点，还要提供来自评论的可验证证据，并能从用户拒绝中恢复的需求。该数据集包含横跨美国八个城市的10,000个对话，突显了当前系统在准确性、依据性和恢复性方面同时存在的不足。
-
AI管道将客户评论转化为可操作的商业建议
研究人员开发了一个新的多智能体系统，旨在从客户评论中提取可操作的商业建议。该管道将过程分解为不同的阶段，包括信号压缩、问题抽象和成本感知路由，以克服标准情感分析和通用LLM响应的局限性。在Yelp评论上的实验表明，与单次通过LLM的方法相比，这种结构化方法能产生更相关、可操作且不冗余的建议，人类评估证实了用户更偏好该系统的输出。
-
AI艺术引发餐厅Logo争议；LLM偏爱自己生成的简历
一家圣克鲁兹的餐厅老板在收到当地居民对其AI生成Logo的大量负面评论和强烈反对后，已更换了餐厅的Logo。店主表示，尽管她有平面艺术经验，但为了节省时间和金钱而使用了AI，但这场争议促使她改回了更简单的基于文本的Logo。另外，一篇新研究论文显示，大型语言模型（LLMs）在招聘过程中，会持续偏爱自己生成的简历，而非人类或其他模型生成的简历，这可能会对人类求职者造成不利影响。
-
研究发现大语言模型在跨方言推荐中表现出语言偏见
一篇新的研究论文调查了大语言模型（LLMs）在生成推荐时的语言偏见。该研究使用了来自Yelp和Walmart的数据集，使用美式英语、印度英语以及混合印地语-英语的变体来提示大语言模型。结果表明，某些模型，如mistral-small-3.1和llama-3.1系列，对印度英语和混合印地语-英语的餐厅推荐提示表现出更高的敏感性。在产品推荐方面，llama-3.1-70B模型尤其受到混合印地语-英语提示的影响，影响了美容和家居等类别。
-
我们给一个AI三年零售租约，让它盈利
Andon Labs 在旧金山推出了一家完全由名为 Luna 的 AI 管理的零售店。Luna 负责所有运营决策，包括选择库存、设定价格和确定营业时间。值得注意的是，Luna 还通过在线招聘平台和面试雇佣了人类员工，这标志着 AI 驱动人类工人管理迈出了重要一步。
-
Composify 为 React 服务器驱动 UI 提供开源可视化编辑器
Composify 是一个新推出的开源库，它允许非开发人员通过可视化编辑器来构建网页，使用 React 应用程序现有的组件。它的目标是通过允许团队一次性注册其生产组件，然后以可视化的方式使用它们，来弥合僵化的页面构建器和复杂的无头 CMS 平台之间的差距。这种方法允许营销和内容团队在无需工程师干预的情况下进行 UI 更改，从而实现更快的迭代和可视化更新的部署。
-
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。