首页/论文/1606.03066

arXiv 1606.030662016-06-09cs.IR

延迟惩罚在评估推送通知系统中的作用

The Effects of Latency Penalties in Evaluating Push Notification Systems

Luchen Tan, Jimmy Lin, Adam Roegiest, Charles L. A. Clarke

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们研究了不同延迟惩罚在推送通知系统评估中的影响，如TREC 2015微博跟踪评估中所实施的。本研究的目的是为TREC 2016实时汇总轨道的指标设计提供信息，该轨道主要是在TREC 2015评估设计之后建模的。

英文摘要：

We examine the effects of different latency penalties in the evaluation of push notification systems, as operationalized in the TREC 2015 Microblog track evaluation. The purpose of this study is to inform the design of metrics for the TREC 2016 Real-Time Summarization track, which is largely modeled after the TREC 2015 evaluation design.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于混合模型的电子商业推送系统互补产品推荐

Recommending Complementary Products in E-Commerce Push Notifications with a Mixture Model Approach

推送通知是电子商业移动应用程序的关键组件，已被广泛用于用户增长和参与。推送通知的有效性通常通过消息打开率来衡量。推送消息可以包含推荐产品、购物新闻等，但是由于显示空间的限制，在推送消息中通常只能显示一个或两个项目。提出了一种基于混合模型的推送消息打开率预测方法，用于预测购买后的互补产品推荐任务。混合模型被训练来学习由用户和项目配置文件确定的潜在预测上下文，然后相应地进行打开率预测。然后，选择具有最高预测打开率的项目以包括在针对每个用户的推送通知消息中。使用EM算法优化混合模型的参数。通过一个流行的电子商业移动应用程序进行了一组实验，结果表明，该方法明显优于现有的几种解决方案。

2017-07-25cs.IR

PushGen: 基于LLM的推送通知生成

PushGen: Push Notifications Generation with LLM

PushGen通过可控提示技术和奖励模型，实现高质量推送通知生成，已应用于大规模用户场景。

2025-12-16cs.IR

智能手机推送消息中个人知识的自动提取

Automated Extraction of Personal Knowledge from Smartphone Push Notifications

个性化服务需要丰富而强大的个人知识库，即包含关于用户的信息的知识库。本文提出了一种从智能手机推送通知中提取个人知识的方法，移动系统和应用程序使用智能手机推送通知来通知用户丰富的信息。我们的解决方案是基于这样的见解，即大多数通知都是使用模板格式化的，而知识实体通常可以在模板的参数中找到。由于可能有数百万个应用程序使用大量通知模板，因此定义所有通知模板及其语义规则是不切实际的，因此我们提出了一种从推送通知中提取个人知识的自动化方法。我们首先通过模式挖掘发现通知模板，然后使用机器学习来理解模板的语义。基于模板及其语义，我们能够将通知文本自动转换为知识事实。用户的隐私得到保护，因为我们只需要将模板上传到服务器进行模型训练，这些模板不包含任何个人信息。根据我们对来自10万智能手机用户的约1.2亿条推送通知的实验，我们的系统能够准确有效地提取个人知识。

2018-08-06cs.IRcs.SE

我应该发送此通知吗？通过对未来进行建模来优化推送通知决策

Should I send this notification? Optimizing push notifications decision making by modeling the future

Twitter（推特（Twitter））

大多数推荐系统都是短视的，也就是说，它们基于用户的即时响应进行优化。这可能与真正的目标不一致，例如创造长期的用户满意度。在这项工作中，我们专注于移动推送通知，其中推荐系统决策的长期影响可能特别强烈。例如，发送太多或不相关的通知可能会惹恼用户并使他们禁用通知。然而，近视系统总是选择发送通知，因为将来会发生负面影响。这通常通过使用化学分析来缓解。然而，逻辑学可能很难推理或改进，每次系统改变时都需要重新调整，并且可能是次优的。为了克服这些缺点，人们对直接优化长期价值（LTV）的推荐系统非常感兴趣。在这里，我们描述了一种通过使用基于基于模型的强化学习（RL）来决定是否发送推送通知来最大化LTV的方法。我们对发送通知对用户未来行为的影响进行建模。以前的大部分工作应用强化学习来最大化推荐系统中的LTV，都集中在基于会话的优化上，而这项工作中通知决策的时间范围会延长几天。我们在一个主要的社交网络上进行了A/B测试。我们表明，通过优化有关推送通知的决策，我们能够发送更少的通知，并获得比基线系统更高的打开率，同时在平台上生成与现有的基于实践的系统相同的用户参与度。

2022-02-17cs.IRcs.LG

基于成对期望后悔的Push排序学习排序

Learning to Rank For Push Notifications Using Pairwise Expected Regret

Twitter（推特）

列表排序损失在推荐系统中得到了广泛的研究。然而，新的内容消费模式对排名方法提出了新的挑战。在这项工作中，我们有助于分析学习排序个性化的移动推送通知，并讨论了独特的挑战，这提出了传统的排名问题相比。为了解决这些挑战，我们引入了一种新的排名损失的基础上加权候选人之间的成对损失的预期遗憾误排序对。我们证明了所提出的方法可以优于以前的方法，无论是在模拟环境中，并在一个主要的社会网络的生产实验。

2022-01-19cs.IRcs.LG

HGenPush：用于工业推送通知系统的异构生成式推荐架构

HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems

Kuaishou Technology（快手科技）

针对内容平台推荐需求，提出HGenPush架构。通过设计混合用户行为理解等模块，兼顾视频与作者推荐，采用轻量预测方法并利用用户反馈提升质量，部署后使快手日活用户显著增加。

2026-07-07cs.IR

更多相关论文收起更多论文

C-3PO：基于Pop-uPs的点击序列感知DeeP神经网络（DNN）RecOmmendation

C-3PO: Click-sequence-aware DeeP Neural Network (DNN)-based Pop-uPs RecOmmendation

随着移动和可穿戴设备的出现，推送通知成为连接和维护与App用户关系的有力工具，但在错误的时间发送不合适或过多的消息可能会导致App被用户删除。为了保持广告的留存率和投放率，我们采用深度神经网络（DNN）开发了一个基于协同过滤的混合用户行为分析的弹出推荐系统"Click sequence-aware deeP神经网络（DNN）-based Pop-uPs recommendation（C-3PO）"。我们进一步验证了该系统与实际数据收集的产品安全大师，清洁大师和CM浏览器，支持豹移动公司。（猎豹移动台湾机构）。通过这种方式，我们可以准确地了解用户对推送通知/弹出窗口的点击偏好和频率，有效地减少用户的麻烦，同时提高推送通知/弹出窗口的点击率。

2018-12-20cs.CYcs.HCcs.IR