深度解读

深度解读 · 第 21 页

共 769 篇 · 按日期新到旧 · 每页 30 篇 · 第 21 / 26 页

查找解读请用站内搜索。

2026-05-13 4

生成式推荐

A Survey on Generative Recommendation: Data, Model, and Tasks

本文系统性梳理生成式推荐(Generative Recommendation, GR)范式,提出 Data-Model-Task 三维统一框架:在 Data 维度讨论 ID 形式(atomic ID、Semantic ID、LLM token、向量量化 token)的设计哲学;在 Model 维度区分 LLM 驱动、扩散驱动、自回归 Transformer(HSTU/TIGER/SIGMA 系列)等不同实现路径;在 Task 维度覆盖召回、排序、序列推荐、多模态、对话式推荐与跨域推荐。

2026-05-12 2

2026-05-11 2

2026-05-08 4

2026-05-07 2

2026-05-06 4

2026-05-05 2

个性化推荐

DynamicPO: Dynamic Preference Optimization for Recommendation

在 LLM-based 推荐里,DPO 通常借助多负样本目标函数从隐式反馈中放大偏好边界。但作者发现一个反直觉的“偏好优化坍塌”现象:训练损失持续下降,但增加负样本反而带来性能退化。理论分析显示,易判别的简单负样本会主导梯度,把真正定义偏好边界的“边界负样本”信号压制住。

2026-05-04 2

个性化推荐

LLM-Enhanced Topical Trend Detection at Snapchat

Snapchat 在端到端短视频平台上线全球范围 LLM 增强的话题趋势检测系统。流水线由三阶段组成:多模态主题抽取(视频/文本/标签融合)、时间序列爆点检测(基于历史基线的 burst score)、LLM 二次整合与丰富(去重、命名、扩充元数据)。

2026-05-01 5

个性化推荐

ProMax: Exploring the Potential of LLM-derived Profiles with Distribution Shaping for Recommender Systems

面向 LLM-as-feature-extractor 范式:作者提出 ProMax,将 LLM 生成的用户/物品 profile 作为辅助信号注入推荐主模型,但摒弃常用的非线性对齐与融合策略,转而从「检索视角」重新审视 profile,引入双向 distribution shaping 机制——用 dense retrieval 暴露 profile 之间的协同关系,再让 profile 分布反向引导主模型对未见物品的偏好分布。

个性化推荐

Understanding DNNs in Feature Interaction Models: A Dimensional Collapse Perspective

为「DNN 在 CTR/特征交互模型里到底起什么作用」这一长期争论提供新解释:作者通过对 parallel-DNN(如 DCN-V2)和 stacked-DNN(如 DeepFM)做整体与组件级消融,结合梯度理论分析,证明 DNN 的真正贡献并非隐式学高阶交叉,而是缓解 embedding 表征的「维度坍缩」(dimensional collapse),从而提升表示鲁棒性。

2026-04-30 3