Multi-Faceted Ranking of News Articles using Post-Read Actions
个性化文章推荐对于提高新闻网站的用户参与度非常重要。现有的工作主要通过点击率来量化参与度。我们认为,推荐的质量可以通过结合不同类型的“阅读后”参与信号,如分享,评论,打印和电子邮件文章链接来提高。更具体地说,我们提出了一个多方面的排名问题,推荐新闻文章,每个方面对应的排名问题,以最大限度地提高行动的阅读后的行动类型。关键的技术挑战是通过减轻巨大的数据稀疏性的影响来估计读后操作类型的比率,我们通过因子模型的几种变体来实现。为了利用读后动作类型之间的相关性,我们还引入了一种新的变体,称为局部增强张量(LAT)模型。通过从美国一个主要的新闻网站获得的数据,我们表明,因子模型显着优于一些基线IR模型和LAT模型显着优于其他几个变量的因子模型。我们的研究结果表明,它是可能的,以提高推荐质量的在线新闻网站上常见的阅读后信号。
2012-05-03 cs.IR
A Long-term Value Prediction Framework In Video Ranking
Alibaba Group(阿里巴巴集团);Tsinghua University(清华大学)
本文提出一个解决视频排序中长期价值预测问题的框架,通过位置偏差、归因模糊性和时间限制三个挑战,提升LTV指标并实现高效部署。
2026-02-19 cs.IR
Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations
University of California, Berkeley(加州大学伯克利分校)
本文提出一种碳感知重排序策略,通过检索增强的碳足迹估计管道推断缺失的产品碳足迹标签,并在三个推荐模型上权衡用户参与度与碳排放,实现可持续推荐。
2026-06-03 cs.AI cs.IR cs.SI
Towards More Relevant Product Search Ranking Via Large Language Models: An Empirical Study
本文针对电商搜索排序缺乏黄金标准的问题,提出利用LLMs生成标签和特征以提升基于内容相关性的预测能力,并通过sigmoid变换极化相关性分数,结合在线与离线实验验证了该方法能更有效平衡内容与交互相关性。
2024-09-26 cs.IR
Driving Engagement in Daily Fantasy Sports with a Scalable and Urgency-Aware Ranking Engine
Unmesh Padalkar
本文提出一种可扩展的排名引擎,通过实时紧迫性特征和时间间隔编码提升每日幻想体育的推荐效果,实现9%的nDCG@1提升。
2026-04-15 cs.IR cs.LG
Ranking Heterogeneous Search Result Pages using the Interactive Probability Ranking Principle
本文比较PRP与iPRP在异构搜索结果页面中的排序差异,发现iPRP通过期望感知效用使排序变化高达48%,建议采用iPRP实现以用户为中心的自适应排序。
2024-01-16 cs.IR
Regression and Learning to Rank Aggregation for User Engagement Evaluation
University of Tehran(德黑兰大学)
用户参与度是指实例的交互量(例如,tweet,news,and forum论坛post帖子)achieved实现.基于用户参与的数量对社交媒体网站中的项目进行排名,可以用于不同的应用,例如推荐系统。在本文中,我们将包含电影评级的推文视为实例,并专注于基于参与度对每个用户的实例进行排名,即,它将获得的转发和收藏的总数。对于这项任务,我们定义了几个功能,可以从每个推文的元数据中提取。这些功能分为三类:基于用户的,基于电影的和基于推文的。我们表明,为了获得良好的结果,应考虑所有类别的功能。我们利用回归和学习排序的方法来排名的推文,并提出了聚合的回归和学习排序方法的结果,以实现更好的性能。我们已经在ACM RecSys Challenge 2014提供的MovieTweet数据集的扩展版本上运行了我们的实验。结果表明,学习排序方法优于大多数回归模型,组合可以显着提高性能。
2015-01-29 cs.IR cs.LG
Zero-shot Clarifying Question Generation for Conversational Search
University of Utah(犹他大学);Microsoft(微软);Tsinghua University(清华大学)
搜索和会话助理的长期挑战是在模糊查询中的查询意图检测。在会话搜索中提出澄清性问题已被广泛研究,并被认为是解决查询歧义的有效方法。现有的工作已经探索了各种方法来澄清问题的排名和生成。然而,由于缺乏真实的会话搜索数据,他们不得不使用人工数据集进行训练,这限制了他们对真实世界搜索场景的推广能力。因此,业界不愿意在现实中实现它们,进一步暂停了真实对话搜索交互数据的可用性。上述困境一般可以表述为澄清问题生成和会话搜索的冷启动问题。此外,即使我们确实有大规模的会话日志,在开放域搜索场景中收集可以全面覆盖所有可能的查询和主题的训练数据也是不现实的。因此,在不全面的数据集上训练澄清问题检索/生成模型时的拟合偏差风险是另一个重要挑战。在这项工作中,我们创新性地探索在一个zero-shot设置生成澄清问题,以克服冷启动问题,我们提出了一个约束澄清问题生成系统,使用问题模板和查询方面,以指导有效和精确的问题生成。实验结果表明,我们的方法优于现有的国家的最先进的zero-shot基线的大幅度。对我们的模型输出的人类注释也表明,我们的方法生成了25.2%的自然问题,18.1%的有用问题,6.1%的不自然问题和4%的无用问题。
2023-02-10 cs.CL cs.IR
Learning Optimal Card Ranking from Query Reformulation
移动搜索最近被证明是搜索市场增长的主要贡献者。移动搜索和桌面搜索的关键区别在于,信息呈现仅限于移动终端的屏幕空间。因此,主要的搜索引擎已经采用了一种新类型的搜索结果呈现,称为\textit{information cards},其中每个卡片呈现针对给定查询的来自一个域/垂直的汇总结果,以扩充标准的蓝色链接搜索结果。虽然人们普遍认为信息卡特别适合移动用户体验,但优化此类结果集也具有挑战性。通常,像查询重构这样的用户参与度度量是基于每个查询的卡片的整个排名列表的,并且大多数传统的学习排序算法需要每个项目的相关性标签。在本文中,我们调查的可能性解释查询重组成有效的相关标签的查询卡对。我们继承了传统的学习排名的概念,并提出逐点,成对和列表的查询重构的解释。此外,我们提出了一个学习标签策略,学习每张卡的贡献,相对于查询,这些贡献可以用作标签的训练卡排名模型。我们利用一个国家的最先进的排名模型,并证明了所提出的机制的有效性,从一个主要的搜索引擎的大规模移动数据,显示来自用户参与的标签训练的模型可以显着优于从人类判断标签训练。
2016-06-22 cs.IR
The Prosocial Ranking Challenge: Reducing Polarization on Social Media without Sacrificing Engagement
Center for Human-Compatible AI, UC Berkeley(加州大学伯克利分校人类兼容人工智能中心);Columbia University(哥伦比亚大学);School of Information, University of Michigan(密歇根大学信息学院);Civic Health Project(公民健康项目);University of Warwick(华威大学);Jigsaw, Google(谷歌 Jigsaw);Department of Sociology, Duke University(杜克大学社会学系);Department of Computer Science, Stanford University(斯坦福大学计算机科学系);Department of Psychology, Michigan State University(密歇根州立大学心理学系);School of Interactive Computing, Georgia Institute of Technology(佐治亚理工学院交互计算学院);University of South Florida(南佛罗里达大学);University of Washington(华盛顿大学);Information School, University of Washington(华盛顿大学信息学院);Harvard University(哈佛大学);Department of Politics, Princeton University(普林斯顿大学政治学系)
研究通过比较多种社交媒体算法对社会关注度的影响,发现促进性内容可减少极化,但可能影响平台参与度。
2026-08-19 cs.IR cs.SI
Temporal Collaborative Ranking Via Personalized Transformer
University of California, Davis(加州大学戴维斯分校);University of California, Los Angles(加州大学洛杉矶分校)
协同排名问题一直是一个重要的开放式研究问题,因为大多数推荐问题可以自然地表示为排名问题。虽然大部分的协同排名方法假设静态的排名数据,时间信息,以提高排名性能的重要性越来越明显。深度学习的最新进展,特别是除了在自然语言处理中广泛使用的RNN和CNN之外,还发现了各种注意力机制和更新的架构,使我们能够更好地利用每个用户参与的项目的时间排序。特别是,SASRec模型受到自然语言处理中流行的Transformer模型的启发,在时间协作排名问题上取得了最先进的结果,并且与早期的CNN相比,速度提高了10倍以上/基于RNN的方法。然而,SASRec本质上是一个非个性化的模型,不包括个性化的用户嵌入。为了克服这一限制,我们提出了一个个性化的Transformer(SSE-PT)模型,在5个真实世界的数据集上,NDCG@10方面的性能比SASRec高出近5%。此外,在检查了一些随机用户的参与历史和相应的注意力热图在推理阶段使用,我们发现我们的模型不仅是更可解释的,而且能够集中在最近的参与模式为每个用户。此外,我们的SSE-PT模型稍加修改,我们称之为SSE-PT++,可以处理极长的序列,并在训练速度相当的情况下在排名结果方面优于SASRec,在性能和速度要求之间取得平衡。代码和数据在https://github.com/wuliwei9278/SSE-PT上开源。
2019-08-15 cs.IR cs.LG stat.ML
Exploiting Simulated User Feedback for Conversational Search: Ranking, Rewriting, and Beyond
针对对话式搜索系统缺乏用户交互数据、难以整合用户反馈的问题,本研究提出基于ConvSim用户模拟器的多轮交互框架,实验证实反馈可显著提升检索性能,并发布3万余条交互转录数据以支持后续研究。
2023-05-07 cs.HC cs.IR
Ranking with Long-Term Constraints
本文提出一个新框架,允许决策者为排序平台设定超越单次会话的长期目标(如公平性),并开发了基于控制的算法,在最小化短期参与度影响下实现长期约束。
2024-01-08 cs.IR
Beyond Relevance: Improving User Engagement by Personalization for Short-Video Search
本研究提出名为$\text{PR}^2$的短视频个性化搜索系统,结合查询相关协同过滤、个性化稠密检索与QIN排序模型,在生产环境中显著提升了用户参与度指标。
2024-09-17 cs.IR
Identifying High Consideration E-Commerce Search Queries
Amazon.com, Inc.(亚马逊公司)
本文提出基于参与度的查询排序方法EQR,利用客户行为、财务和目录信息等查询级特征识别电子商务高考虑度查询,离线实验和人工评估均验证其有效性,并已在商业部署中超越人工选择。
2024-10-17 cs.AI cs.CL cs.IR
The Fault in Our Recommendations: On the Perils of Optimizing the Measurable
本文通过重复消费模型研究推荐系统优化可测量代理指标导致的效用损失问题,并提出一种效用感知策略,在推荐热门内容的同时混合小众内容,从而在不显著降低参与度的情况下实现接近最优的效用。
2024-05-07 cs.HC cs.IR
COFFEE: COdesign Framework for Feature Enriched Embeddings in Ads-Ranking Systems
Meta Platforms, Inc.(Meta平台公司)
COFFEE框架通过整合多样化事件源、延长用户历史和多模态嵌入,提升广告排序系统中用户-广告表示的准确性和规模效应。
2026-01-06 cs.IR cs.LG
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
Bilibili Inc(哔哩哔哩公司)
本文提出一种面向约束的生成重排框架,通过整合序列生成与奖励估计,提升广告流中多目标优化的效率与效果。
2026-03-04 cs.IR
Reducing Popularity Influence by Addressing Position Bias
Zalando SE(扎兰多公司)
该研究针对推荐系统的位置偏差问题,提出从降低流行度倾斜的视角开展位置去偏差,可均匀分配曝光互动、提升商品集合利用率,且不损害用户参与度与营收,长期利好生态各方。
2024-12-11 cs.IR cs.LG
Multi-Turn Multi-Modal Question Clarification for Enhanced Conversational Understanding
Sharif University of Technology(谢里夫理工大学);University of Copenhagen(哥本哈根大学);University of Amsterdam(阿姆斯特丹大学)
本文提出多轮多模态澄清问题 MMCQ 任务,构建 ClariMM 数据集,并通过 BM25 加多模态生成式重排序的 Mario 框架提升复杂对话查询理解。
2025-02-17 cs.AI cs.CL cs.IR
Metric-agnostic Ranking Optimization
本文针对复杂排序度量难以形式化、无法用现有学习排序框架优化的问题,提出度量无关的排序优化框架,通过形式化分析现有技术局限并定义三项研究任务,推动复杂搜索与推荐场景中的排序优化研究。
2023-04-17 cs.IR
Equity vs. Equality: Optimizing Ranking Fairness for Tailored Provider Needs
Tsinghua University(清华大学);Alibaba(阿里巴巴)
本文提出EquityRank算法,通过建模提供者对曝光和销售等关键结果的偏好,优化排序公平性,以满足不同提供者的需求。
2026-01-31 cs.IR
Ranking Clarification Questions via Natural Language Inference
Carnegie Mellon University(卡内基梅隆大学)
给定一个自然语言查询,教机器提出澄清问题在实际的自然语言处理系统中具有巨大的效用。这种交互可以帮助填补信息空白,以便更好地理解查询。对于对澄清问题进行排名的任务,我们假设确定澄清问题是否与给定帖子(在StackExchange等QA论坛上)中的缺失条目有关可以被视为自然语言推理(NLI)的特殊情况,其中帖子和最相关的澄清问题都指向共享的潜在信息或上下文。我们通过将在NLI和多NLI数据集上微调的Siamese BERT模型的表示合并到我们的模型中来验证这一假设,并证明我们的最佳性能模型分别获得了40%和60%的相对性能提高(在关键指标Precision@1上),在StackExchange数据集的两个评估集的最新基线上,因此,远远超过了最先进的技术。
2020-08-18 cs.AI cs.IR cs.LG
The Influence of Text Variation on User Engagement in Cross-Platform Content Sharing
Georgia Institute of Technology(佐治亚理工学院);SRI International(SRI国际)
本文通过构建Reddit分享YouTube视频的数据集和受控实验,研究标题文本改写对用户参与度的影响,发现有效改写具有情感共鸣、词汇丰富和社区规范一致性等特征,并用微调BERT实现74%的排序预测准确率,显著优于GPT-4o等基线。
2025-04-26 cs.AI cs.IR cs.SI
Sona Technical Report
Yandex
本文提出单模型生成式推荐系统Sona,在A/B测试中替代Yandex Music原有多阶段推荐级联,显著提升活跃用户、收听时长等核心指标,效果优于此前最强模型Argus。
2026-08-13 cs.IR
Personalized Re-ranking for Improving Diversity in Live Recommender Systems
工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下,这种列表式的解释应该为用户提供多样化和相关的选项。然而,在实践中,列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成,该排名函数从标记数据中学习以优化准确性。然而,top-N推荐可能会导致次优,因为它单独关注每个项目的准确性,而忽略了项目之间的相互影响。因此,我们提出了一个个性化的重新排序模型,以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后,任何现有的排名功能。重排序模型采用个性化的决定点过程(DPP),提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度,但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制,我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明,我们提出的重新排序模型的效率。
2020-04-21 cs.IR cs.SI
Movie Recommendation System using Composite Ranking
在当今世界,丰富的数字内容,如电子书,电影,视频和文章可供消费。回顾所有可访问的内容并决定下一步看什么是令人生畏的。因此,数字媒体提供商希望利用这种混乱并解决它,以增加用户参与度,最终带来更高的收入。内容提供方经常利用推荐系统作为对抗这种信息过载的有效方法。本文致力于开发一种综合的方法来推荐电影。传统上,电影推荐系统使用协同过滤,其利用用户与媒体的交互,或者基于内容的过滤,其利用电影的可用元数据。技术进步还引入了一种将两种系统集成在一起的混合技术。然而,我们的方法只处理基于内容的建议,进一步加强它与排名算法的基础上内容相似性指标。有助于排名的三个指标是元数据的相似性,视觉内容和电影的用户评论。我们使用文本矢量化,然后对元数据进行余弦相似性,通过预训练的VGG 19进行特征提取,然后对视觉内容进行K均值聚类,并对用户评论进行情感比较。这样的系统允许观众知道“感觉”相同的电影。
2022-12-05 cs.IR cs.MM
Learning-to-Rank with Nested Feedback
针对嵌套列表场景,提出一种有理论依据的方法将二级反馈整合到一级排序模型中,并在大规模推荐系统的在线实验中证实了其理论发现。
2024-01-08 cs.IR
Deep neural network marketplace recommenders in online experiments
Schibsted Media Group(Schibsted 传媒集团)
推荐在市场中被广泛使用,以将用户与与他们的兴趣和需求相关的项目相匹配。为了了解用户意图并根据他们的需求定制推荐,我们使用深度学习来探索市场中可用的各种异构数据。本文重点讨论了衡量推荐性能的挑战,并总结了几种有前途的深度神经网络分类器的在线实验结果-混合项目表示模型,结合了用户参与度和内容的特征,基于序列的模型,以及通过对多个子模型的建议进行重新排名来优化用户参与度的多臂强盗模型。这些机器人目前正在挪威领先的市场FINN.no上运行,每天为超过100万名游客提供服务。
2018-09-06 cs.IR cs.LG stat.ML
OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking
Xiaohongshu(小红书)
该研究针对平台级多业务流推荐系统的割裂问题,提出OneModel统一框架,在小红书部署后多场景指标均获提升,验证了统一多流排序的有效性。
2026-08-21 cs.IR
Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning
Pinterest(拼趣(图片分享社交平台))
研究如何在推荐系统中优化长期用户价值,提出统一的模型无关下游奖励框架,先制定问题并开发离线筛选框架识别相关行为,再提出奖励信号,经实验验证可提升参与度和留存率,已在多页面部署。
2026-08-25 cs.IR cs.LG
SWIM: Step-Wise Integrated Measure for Session-supervised List Evaluation in Generative Re-ranking
University of Science and Technology of China(中国科学技术大学);Kuaishou Technology(快手科技)
针对工业推荐系统生成式重排序的会话级动态捕捉不足问题,提出SWIM列表级评估器,结合因果掩码Transformer实现高效评估,在重排序任务中显著提升推荐参与度。
2026-08-27 cs.IR
CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems
Meta Inc.(Meta公司)
CAM2通过因果建模将用户从众行为与真实兴趣解耦,构建从众感知的多任务排序模型,在Facebook Watch上实现用户参与度提升0.50%和日活用户增长0.21%。
2023-04-17 cs.IR cs.LG
Rich-Media Re-Ranker: A User Satisfaction-Driven LLM Re-ranking Framework for Rich-Media Search
SKLCCSE, School of Computer Science and Engineering Beihang University(北京航空航天大学计算机科学与工程学院);Baidu Inc(百度公司)
本文提出Rich-Media Re-Ranker框架,通过多维细粒度建模提升用户搜索满意度,整合丰富侧信息和视觉信号,通过多任务强化学习增强系统适应性,实验证明其优于现有方法。
2026-08-18 cs.IR
Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems
Meta
本文提出“保持相关性”这一基于调查的反馈度量,直接评估用户回访意图,经心理测量验证并在大规模离线与在线实验中证明其能显著优于传统参与信号,提升次日留存与参与度,减少低质量内容曝光。
2025-10-08 cs.AI cs.HC cs.IR
UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale
Pinterest
提出UniPinRec,通过共享Transformer编码用户行为序列,结合掩码动作建模、混合训练样本和跨阶段KV缓存共享,在Pinterest生产系统中首次实现检索与排序的全栈统一,提升在线参与度并降低延迟。
2026-05-29 cs.IR cs.LG
MIMICS: A Large-Scale Data Collection for Search Clarification
Microsoft(微软);Facebook Inc.(脸书公司)
近年来,搜索澄清技术在搜索引擎中的应用引起了人们的广泛关注。它也被认为是会话信息搜索系统的主要组成部分。尽管它的重要性,研究界仍然感到缺乏一个大规模的数据来研究不同方面的搜索澄清。在本文中,我们介绍MIMICS,收集的搜索澄清数据集的真实网络搜索查询抽样必应查询日志。MIMICS中的每个澄清都是由Bing生成算法生成的,由一个澄清问题和最多五个候选答案组成。MIMICS包含三个数据集:(1)MIMICS-Click包括超过400 k个唯一查询、其相关联的澄清窗格以及对应的聚合的用户交互信号(即,点击)。(2)MIMICS-ClickExplore是一个探索数据,包括超过60 k个独特查询的聚合用户交互信号,每个查询都有多个澄清窗格。(3)MIMICS-Manual包含超过2000个独特的真实搜索查询。该数据集中的每个查询澄清对都由至少三个经过训练的注释器手动标记。它包含澄清问题、候选答案集和每个候选答案的着陆结果页面的分级质量标签。MIMICS公开用于研究目的,因此使研究人员能够研究与搜索澄清相关的许多任务,包括澄清生成和选择,澄清的用户参与预测,澄清的点击模型,以及分析用户与搜索澄清的交互。
2020-06-17 cs.CL cs.IR cs.LG
Query-dominant User Interest Network for Large-Scale Search Ranking
针对个性化搜索排序中用户长期兴趣利用不足的问题,提出含RSU和FAU的QIN模型,通过级联过滤行为、双域注意力融合挖掘兴趣,性能优于SOTA,已在快手搜索上线并提升CTR 7.6%。
2023-10-10 cs.IR
SUMMIR: A Hallucination-Aware Framework for Ranking Sports Insights from LLMs
Indian Institute of Technology Patna(印度理工学院巴特那分校);Microsoft(微软)
本文提出SUMMIR框架,通过多模型验证和用户兴趣排序,提升体育新闻洞察的准确性和相关性。
2026-03-30 cs.AI cs.IR
Learning to Alleviate Familiarity Bias in Video Recommendation
Google LLC(谷歌公司)
LAFB通过建模用户-内容熟悉度并调整评分预测来减轻视频推荐中的熟悉偏差,提升了内容多样性和新兴创作者的曝光
2026-02-08 cs.IR cs.LG
Mining Interesting Trivia for Entities from Wikipedia
琐事是关于一个实体的任何事实,它是有趣的,由于任何以下特征-不寻常,独特性,意外或怪异。这些有趣的事实是提供在'你知道吗?”在许多地方。虽然琐事是不太重要的事实被知道,但我们已经提出了他们的使用在用户参与的目的。这些有趣的事实通常会激发兴趣并吸引用户更多地参与实体,从而促进重复参与。本文引用了一些案例研究,这些案例研究表明,使用琐事对提高用户参与度或广泛宣传产品/服务具有重要影响。在这篇论文中,我们提出了一种新的方法来挖掘实体琐事从他们的维基百科页面。给定一个实体,我们的系统从其维基百科页面中提取相关句子,并根据其兴趣作为琐事生成一个句子列表。我们系统的核心是一个兴趣度排名器,它通过一组丰富的独立于领域的语言和基于实体的特征来学习兴趣度的概念。我们的排名模型是通过利用现有的用户生成的琐事数据在Web上,而不是创建新的标签数据的电影域。对于其他领域,如体育,名人,国家等,标记的数据必须按照论文中所述创建。我们在电影领域和名人领域评估了我们的系统,并观察到该系统的性能明显优于定义的基线。对结果的全面定性分析表明,我们设计的丰富功能集确实有助于在顶级排名中呈现有趣的琐事。
2015-10-11 cs.IR
Learning to Ask Critical Questions for Assisting Product Search
针对电商商品搜索中现有方法难精准捕捉用户实时兴趣的问题,提出融合隐式会话反馈与主动关键提问的双学习模型,通过效用评分、选择与排序网络关联点击流与文本问题,在公开数据集上性能超越现有最优方法。
2024-03-05 cs.IR
TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest
Pinterest
本文提出TransAct,一种基于Transformer的实时用户行为序列模型,并与批量用户嵌入结合形成混合排序架构,已在Pinterest多个推荐场景中部署并验证有效。
2023-05-31 cs.AI cs.IR
GR2 Technical Report
Meta AI
针对工业推荐系统中重排序阶段未被充分探索、大语言模型推理能力未充分利用以及非语义标识符问题,提出GR2框架,结合语义ID中间训练、推理轨迹蒸馏和强化学习,在工业流量上取得显著提升。
2026-07-07 cs.AI cs.IR
Personalizing Incremental Video Search with Hybrid Text and ID Embeddings
Apple(苹果公司)
研究针对增量视频搜索中意图不明的问题,提出结合语义与协作信号的个性化系统。通过学习文本和ID嵌入空间构建用户表示,注入相似度到排名器。实验表明离线提升了NDCG@10和MRR,在线提高了点击率、转化率和排名位置,还分析了嵌入权衡与质量。
2026-07-16 cs.IR