ZoRRO：用于可扩展新闻推荐的零权重个性化推荐系统
ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation
- Technical University of Denmark（丹麦技术大学）
- ZOZO Research（ZOZO研究公司）
- University of California San Diego（加州大学圣地亚哥分校）
- Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
研究针对可扩展新闻推荐提出零权重、无需训练的ZoRRO框架，在离线评估中优于神经基线，在线测试中点击率性能与先进模型相近且速度快600多倍，并揭示相关性能差距，凸显该框架对大规模新闻推荐的实用性及多指标评估的重要性。
AI中文摘要：
我们提出了ZoRRO（零权重个性化推荐系统），这是一个零权重、无需训练的框架，用于个性化新闻推荐，专为可扩展的实际部署而设计。在离线排名评估中，ZoRRO优于强大的神经基线，并在在线A/B测试中实现了与最先进深度学习模型相近的点击率性能，同时运行速度快600多倍。实验揭示了离线和在线性能之间的差距，表明具有相似点击率结果的模型可以产生明显不同的推荐分布，从而影响整体新闻流。这些发现使ZoRRO成为大规模新闻推荐的实用高效解决方案，并突出了仅使用准确性以外的指标评估推荐系统的重要性。
英文摘要：
We present ZoRRO (Zero-Weight Personalized Recommender System), a zero-weight, training-free framework for personalized news recommendation designed for scalable real-world deployment. ZoRRO outperforms strong neural baselines in offline ranking evaluations and achieves click-through rate performance in online A/B testing that is nearly on par with a state-of-the-art deep learning model, while operating more than 600 times faster. Our experiments reveal gaps between offline and online performance and demonstrate that models with similar click-through rate outcomes can produce markedly different recommendation distributions, thereby influencing the overall news flow. These findings position ZoRRO as a practical and efficient solution for large-scale news recommendation and highlight the importance of evaluating recommender systems using metrics beyond accuracy alone.
