标签
提出了 BehaveRec 三信号框架(因果会话 Transformer、90 天用户历史编码器、基于行为嵌入相似度的用户图 GraphSAGE),在 137M 条工业序列上研究长期行为历史何时真正有益于序列推荐,并得出约 20 次交互的实用部署阈值。
该论文提出了 LoopRec,一种用于序列推荐的物品级自适应递归框架。该框架通过可学习的门控机制重复使用权重共享的骨干网络模块,为每个物品分配计算深度,并在 3 个 Amazon 基准数据集和包括 SASRec、NextItNet 在内的 4 种骨干网络上均取得了稳定的性能提升。
本文介绍了T-RoPE,一种针对序列推荐系统的旋转位置嵌入的时间感知改进,展示了在基准测试上的显著性能提升以及在电子商务中的实际影响。
本文引入了一种双模型掩码度量,对序列推荐系统中时间归因的十种可解释方法进行基准测试,发现基于梯度的方法如GradientSHAP和Integrated Gradients产生最忠实和稳健的归因。
DSRec是一种新颖的双兴趣序列推荐模型,利用多粒度SSM捕获用户的长短期兴趣,解决物品多义性问题,并在基准测试中表现优异。
RecPFN引入了一种先验拟合网络,用于序列推荐中的上下文学习,通过在合成点击流数据上预训练,在多个基准测试中实现了先进的零样本性能。
本文提出残差主导作为因果自注意力基于序列推荐器中最后一项依赖的结构解释,利用预测时诊断和基于范数的分析,将这种行为与Transformer模型中的残差加法联系起来。
本文提出GenCDSR,一种用于跨域序列推荐的生成式框架,采用混合分词与串并化解码,在准确率上优于现有最优基线,并将推理延迟显著降低。
ClockRoPE引入随机傅里叶旋转来建模序列推荐中的时间周期性,具有理论基础,并通过一家主要视频分享平台的在线A/B测试得到验证。
提出了一种多模态框架,融合音频、歌词和语义信号,并利用基于LLM的序列推理进行会话式音乐推荐,相较于仅使用ID的基线方法,召回率提升高达95%。
本文介绍了贝叶斯滤波Transformer(BFT),它通过精度加权注意力和卡尔曼更新残差将不确定性引入Transformer,从而提升了序列推荐和有噪声大语言模型微调的性能。