К содержанию
Олег НагорныйRecSys2026

Каталог

Найдено: 11 из 269 · теги в строках тоже фильтруют

Только в Zotero 269
Темы в текущей выборке · полоса — работы с тегом из 11 найденных, риска — весь корпус
Генеративные рекомендации 1Последовательные рекомендации 4Языковые модели и агенты 1Коллаборативные модели 2Оценка и причинность 2Объяснения и контроль 1Промышленные системы 10Кросс-домен и мультимодальность 1Реклама и рекомендации 2
#industrialСбросить фильтры

  1. ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation

    ConAlign обучает отдельные башни на обычных и несмещённых взаимодействиях. Условное выравнивание избирательно переносит представления между ними.

    Kuaishou Technology

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  2. From M Passes to One: A MapReduce-Style Bootstrap for Pointwise Off-Policy Evaluation in Production Recommenders

    Факторизованный бутстрап накапливает псевдовыборки оценки политики за общий проход по логам. Детерминированные маски позволяют распределить вычисление между обработчиками.

    LinkedIn

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  3. HIPA-Net: Heterogeneous Intent Projection Alignment for Feedback Calibration in CVR Prediction

    HIPA-Net отдельно кодирует разные типы положительной, отрицательной и неоднозначной обратной связи. Выравнивание намерений калибрует их вклад в прогноз конверсии.

    Kuaishou Technology

    #Реклама и рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  4. IDProxy: Cold-Start CTR Prediction for Ads and Recommendation at Xiaohongshu with Multimodal LLMs

    IDProxy строит мультимодальный заменитель ID-эмбеддинга холодного объекта. После грубого выравнивания прокси дообучается совместно с CTR-ранкером.

    Xiaohongshu, Shanghai Jiao Tong University +1

    #Реклама и рекомендации#Промышленные системы#Языковые модели и агенты#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  5. Learned Cross-Task Relationships in Multi-Task Models

    Вспомогательные головы обучаются на комбинациях меток разных задач. Их прогнозы используются для переноса знаний и настройки политики наград.

    Google YouTube, Google

    #Промышленные системы

    Публикация конференцииZotero ↗

  6. REEF: Real-time end-to-end Explore-Exploit framework for e-commerce Feeds

    REEF размечает взаимодействия как освоение знакомого или исследование нового по близости к истории. Отдельные ранкеры обучаются на этих режимах и смешиваются при выдаче.

    Meesho

    #Промышленные системы#Объяснения и контроль

    Публикация конференцииZotero ↗

  7. Soft Curriculum Learning for Optimizing Fresh and Generalized Recommendations

    Soft Curriculum меняет вес каждого примера по трудности и прогрессу обучения. Поток сохраняется полностью, а расписание постепенно меняет вклад сложных событий.

    Google, Google YouTube

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  8. Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation

    Метод строит разреженный граф совместного потребления как схему интересов. Структура графа используется для организации и токенизации пользовательского контекста.

    University of Illinois Urbana-Champaign, Meta Platforms, Inc.

    #Генеративные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  9. TSSR-Beta: Enhancing Billion-Scale E-Commerce Semantic Retrieval via Representation-Level Interaction

    TSSR-Beta добавляет взаимодействующую голову поверх готовых нормированных векторов двухбашенной модели. Покомпонентные признаки и Transformer-ветка уточняют оценку пары.

    East China Normal University, Taobao & Tmall Group of Alibaba

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  10. 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 ↗

  11. End-to-End User and Item Embeddings: Specializing Retrieval Representations for Ranking

    Пользовательское состояние замороженного последовательного retrieval добавляется к признакам ранкера. Такой дизайн проверяет перенос полезного сигнала без адаптации самого энкодера.

    Amazon Music

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

RecSys2026

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