К содержанию
Олег НагорныйRecSys2026

Каталог

Найдено: 12 из 269 · теги в строках тоже фильтруют

Только в Zotero 269
Темы в текущей выборке · полоса — работы с тегом из 12 найденных, риска — весь корпус
Генеративные рекомендации 0Последовательные рекомендации 3Языковые модели и агенты 2Коллаборативные модели 3Оценка и причинность 2Объяснения и контроль 1Промышленные системы 12Кросс-домен и мультимодальность 1Реклама и рекомендации 3
Промышленное ранжирование и стоимостьMeta Platforms, Inc.Есть в ZoteroСбросить фильтры

  1. Probabilistic Residual Learning for Online Recommendations

    Вероятностная модель обучается предсказывать остаток ошибки замороженного рекомендателя. Контентные априоры и пользовательские кластеры задают структуру поправки.

    Rutgers University, Meta Platforms, Inc. +2

    #Промышленные системы#Коллаборативные модели#Оценка и причинность

    Публикация конференцииZotero ↗

  2. Impression Share Prediction: An Offline Evaluation Task for Ads Ranking Systems

    Работа предсказывает доли рекламных показов с учётом состояния модели и доступного объёма. Причинная схема отделяет свойства ранкера от расходования ресурса во времени.

    Meta Platforms, Inc.

    #Реклама и рекомендации#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  3. LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation

    LO-FAR независимо оценивает маргинальный сигнал разреженных признаковых полей. Стоимость поля учитывается при выборе набора для промышленной модели.

    Meta Platforms, Inc.

    #Реклама и рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  4. Mosaic: A Fleet of User Embedding Specialists for Recommendation at Meta

    Mosaic обучает специализированные пользовательские башни с разными источниками сигнала. Только их выходные представления поступают downstream-ранкерам, отделяя тяжёлое обучение от выдачи.

    Meta Platforms, Inc.

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  5. Multi-Probe Zero Collision Hash (MPZCH): Mitigating Embedding Collisions and Enhancing Model Freshness in Large-Scale Recommenders

    MPZCH хранит владельцев embedding-строк и ограниченно пробует соседние слоты. Управление сроком жизни и сбросом состояния освобождает место для новых объектов.

    Meta Platforms, Inc., OpenAI +1

    #Промышленные системы

    Публикация конференцииZotero ↗

  6. RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation

    RankGraph согласует построение графа, отбор соседей и контракт выдачи представлений. Связи однотипных узлов выводятся из поведения без внешней социальной сети.

    Meta Platforms, Inc.

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  7. Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation

    Shape Your Feed переводит свободную пользовательскую обратную связь в намерения для существующего ранжирующего стека. Контекстные подсказки и агентный интерфейс делают управление лентой доступным через диалог.

    Meta Platforms, Inc.

    #Объяснения и контроль#Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  8. The Text on the Creative: An Under-Exploited Ranking Modality for Short-Form Video Ads

    Ads-OCR извлекает текст поверх рекламного видео с маршрутизацией по письменности. Признаки и компактные коды передаются ранкеру после фильтрации неуверенных токенов.

    Meta Platforms, Inc.

    #Реклама и рекомендации#Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  9. Versioned Late Materialization for Ultra-Long Sequence Training in Recommendation Systems at Scale

    Versioned Late Materialization хранит изменяемый хвост истории в примере, а старую часть восстанавливает по границам. Обучающие worker обращаются только к историческому хранилищу.

    Meta Platforms, Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  10. WHALE: A Scalable Unified Model for Recommendation with Wukong-HSTU Architecture

    WHALE сохраняет отдельные пути для пересечений признаков и последовательной истории. Перекрёстное внимание связывает выходы Wukong и HSTU на уровнях сети.

    Meta Platforms, Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  11. Scaling Sequence Learning under Production Latency Constraints

    Граф последовательной модели разделяется по зависимости от пользователя и кандидата. Тяжёлые пользовательские сводки вычисляются общим запросным путём, а кандидатные взаимодействия остаются отдельно.

    Meta Platforms, Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  12. Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval

    Cluster GOOBS поддерживает ограниченный свежий пул негативов вне батча. Сегментация по смысловым кластерам позволяет выбирать трудные примеры рядом с позитивом.

    Meta Platforms, Inc.

    #Промышленные системы#Языковые модели и агенты

    ВоркшопZotero ↗

RecSys2026

Разборы работ RecSys 2026 · обновлено 2026-10-16.