К содержанию
Олег НагорныйRecSys2026

Каталог

Найдено: 133 из 269 · теги в строках тоже фильтруют

Только в Zotero 269
Темы в текущей выборке · полоса — работы с тегом из 133 найденных, риска — весь корпус
Генеративные рекомендации 16Последовательные рекомендации 35Языковые модели и агенты 27Коллаборативные модели 23Оценка и причинность 29Объяснения и контроль 15Промышленные системы 133Кросс-домен и мультимодальность 24Реклама и рекомендации 15
Промышленное ранжирование и стоимостьСбросить фильтры

  1. A Control Function Framework for Mitigating Position Bias in Learning to Rank Systems

    Контрольные функции строятся из остатка модели прошлой позиции и его взаимодействий с признаками. При обучении они корректируют ранкер, а при выдаче обнуляются.

    University of Illinois Chicago, California Polytechnic State University

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  2. Adaptive Retraining of Recommender Systems via Reinforcement Learning

    Контроллер обучения с подкреплением выбирает пропуск, дообучение либо переобучение на части или всей истории. Состояние включает качество, возраст модели и оставшееся число разрешённых обновлений.

    University of Bergamo, Northwestern University +1

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  3. Automated Selection-based Mixture-of-Experts with Dual-stage Input–Target Pattern Learning for Sequential Recommendation

    Общий набор экспертов дополняется экспертами, выбираемыми отдельно для каждой истории. Бинарный гейт и последующее обучение связей входа с целью адаптируют вычисления к примеру.

    Shenzhen University, Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  4. CONGA: Continual Neural Gated Architecture for Long-History Sequential Recommendation

    CONGA сочетает относительное позиционное кодирование и параллельные остаточные потоки для длинной истории. Дополнительная память меняет оценки при сохранённом базовом энкодере.

    University of Science, Vietnam National University

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  5. Dart: Adaptive Tweedie Objective Mitigates the σ Escape Route in Cross-Platform Popularity Prediction

    Dart заменяет предсказываемую дисперсию на Tweedie deviance с обучаемой степенью. Контекст извлекается по текстовой и структурной близости для прогноза популярности.

    NTT DOCOMO. INC.

    #Кросс-домен и мультимодальность#Промышленные системы

    Публикация конференцииZotero ↗

  6. DP-Rec: Towards Dynamic Patching for Efficient Long-Sequence Recommendation

    Замороженный причинный детектор оценивает сложность переходов и выделяет границы патчей. Сжатая история затем обрабатывается глобальной последовательной моделью.

    Capital One

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  7. Decoupled Learning and Selection in Slate Recommendation for Privacy and Stability Under Noisy Scores

    Обучение оценок отделено от детерминированной сборки рекомендательного списка. Селектор комбинирует релевантность, разнообразие и новизну и сохраняет данные для воспроизведения выдачи.

    University of Bergen

    #Объяснения и контроль#Промышленные системы

    Публикация конференцииZotero ↗

  8. Do We Care About Personalization and Explainability? An Interview Study with News Recommendation Engineers

    Полуструктурированные интервью исследуют практики персонализации и объяснимости в новостных командах. Тематическое кодирование связывает технические затруднения с коммуникацией внутри организаций.

    University of Amsterdam, Jheronimus Academy of Data Science +2

    #Объяснения и контроль#Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  9. Do We Really Need LLMs to Augment All? A Selective Augmentation Framework with Lightweight Language Models for Multimodal CTR Prediction

    SALM оценивает сложность товара по доступным признакам и предсказаниям вне обучающей подвыборки. Маршрутизатор выделяет бюджет языковой аугментации по ожидаемой пользе для CTR.

    Wuhan University of Technology, Anhui University

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

    Публикация конференцииZotero ↗

  10. Hamiltonian Spectral-Temporal Dissipative Dynamics for Sequential Recommendation

    HSR моделирует интерес как диссипативную гамильтонову динамику. Линейное уравнение решается спектральным фильтром с обучаемым затуханием.

    The Hong Kong University of Science and Technology

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  11. Information-Aware Long Sequence Compression for Sequential Recommendation

    Гейт выбирает важные события и восстанавливает их хронологический порядок. Сводка полной истории сохраняет обучающий сигнал от отброшенных событий.

    Gyeongsang National University

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  12. Learning Sparse Representations of Multimodal Content for Enhanced Cold Item Recommendation

    Контентные автоэнкодеры обучают широкие разреженные мультимодальные представления. Активация перед top-k отбором подавляет шумные сходства товаров.

    Queen Mary University of London

    #Кросс-домен и мультимодальность#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  13. On Reranking Space for Multi-Tenant Retrieval with Adapted Queries

    Адаптер переводит запрос клиентского энкодера в пространство общего индекса. Кандидаты сравниваются в исходном или обратно восстановленном клиентском пространстве.

    Rochester Institute of Technology

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  14. 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 ↗

  15. SAGE: Sequence-level Adaptive Gradient Evolution for Generative Recommendation

    SAGE адаптирует отсечение градиента при обучении генератора рекомендательных списков. Управление учитывает контекст и награды уровня последовательности.

    Xiaohongshu

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  16. SPEAR: Selection-aware Personalized End-to-end Adaptive Rewriting and Retrieval for Community Search

    SPEAR обучает веса заранее подготовленных переформулировок запроса. Раздельные retrieval- и ranking-проекции ограничивают конфликт семантической близости с кликовой целью.

    National University of Singapore, Shanghai Dewu Information Group Co., Ltd.

    #Промышленные системы#Языковые модели и агенты

    Публикация конференцииZotero ↗

  17. Stabilizing Stability and Plasticity in Graph-based Continual Recommender System

    SSPRec сочетает обновляемый текстовый профиль, временные веса графа и обучение по опорной модели текущего периода. Дрейф предпочтений пользователя определяет баланс сохранения истории и адаптации.

    Jilin University, The Hong Kong Polytechnic University +1

    #Коллаборативные модели#Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  18. TSMOO: Solving Multi-Objective Experimentation with Constrained Thompson Sampling

    TSMOO распределяет экспериментальный трафик ограниченным Thompson sampling. Допустимые варианты сравниваются по uplift основной метрики относительно фиксированного контроля.

    Amazon

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  19. The Cost of Continuous Time: Diagnosing Solver Sensitivity in Recommenders and Mitigating It via Training-Free Routing

    Работа сравнивает численные решатели непрерывновременного рекомендателя. Обучение не меняется, а маршрутизатор выбирает способ обновления по временным промежуткам.

    Sun Yat-Sen University

    #Последовательные рекомендации#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  20. UniRec: A Unified Expressive-Aligned Generative Recommendation Framework for E-commerce

    UniRec генерирует цепочку атрибутов перед семантическим идентификатором. Балансировка кодов и контекст сценария дополняют декодирование.

    Shopee

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  21. Zero-Observation User Reactivation with Gap-Driven Dimensional Gating (DeltaGate)

    DeltaGate смешивает персональное представление с общим prior покоординатным гейтом. Гейт зависит от длительности отсутствия пользователя и работает поверх замороженного энкодера.

    Fudan University, Huawei Technologies

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  22. A Causal Transformer Multi-Touch Attribution with Dual Debiasing and Explainable Visualization for Advertising Recommendation

    CT-MTA кодирует рекламные контакты с временными поправками внимания. Латентный proxy и состязательное обучение корректируют смешение при атрибуции.

    Joint Institute of Qingdao Huanghai University and Weltec, Qingdao Huanghai University

    #Реклама и рекомендации#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  23. Candidate Retrieval for Provider Fairness under Severe Recommendation Imbalance

    FairSAE кодирует замороженные представления разреженным автоэнкодером. Сдвиг пользователя вдоль группового контраста меняет состав retrieval-кандидатов.

    Charles University, University of Cagliari

    #Объяснения и контроль#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  24. Covariance-Aware Newton-Schulz Orthogonalization for Noise-Robust Sequential Recommendation

    CovNS накапливает второй момент градиентов и периодически фильтрует направления обновления. Отфильтрованный градиент проходит ортогонализацию внутри оптимизатора.

    Alibaba International Digital Commerce Group

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  25. GradSup: Gradient Superposition for Personalised and Scalable LLM Recommendation

    GradSup ограничивает персональную адаптацию фиксированным спектральным базисом весов. Градиенты примеров накапливаются в общей исходной точке и масштабируются при применении.

    La Trobe University, Core dna

    #Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  26. Hierarchical GTV Estimation: Bridging the Gap between Container-Level Ranking and Item-Level Conversion

    HGE кодирует товары магазина как взаимодействующий набор с последующим добавлением контекста. Денежная цель раскладывается по структуре конверсии и дополняется остаточной коррекцией.

    Meituan, ShopeeFood&DP Intelligence

    #Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  27. 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 ↗

  28. PriCoRec: A Privacy-Aware Cloud–Device Collaborative Framework for Ad Recommendation under Feature Constraints

    PriCoRec разделяет облачные и локальные признаки пользователя. Облачный shortlist разнообразится, чтобы локальный ранкер мог использовать недоступную серверу информацию.

    University College Dublin, Huawei Ireland Research Center

    #Реклама и рекомендации#Объяснения и контроль#Промышленные системы

    Публикация конференцииZotero ↗

  29. Scaling LLM-Enhanced Linear Autoencoders to Industrial-Size Catalogs

    Метод переносит семантическую надстройку линейного автоэнкодера на разреженную алгебру. Матричные преобразования устраняют необходимость хранить плотное сходство каталога.

    Ural Federal University, T-Bank +1

    #Промышленные системы#Коллаборативные модели#Языковые модели и агенты

    Публикация конференцииZotero ↗

  30. Support Gap: Selecting Fixed-K Candidate Sets for Retained Personalized Headroom

    Support Gap оценивает разницу между лучшим кандидатом для каждого состояния и лучшим общим кандидатом. Witness scorer использует эту величину для выбора фиксированного пула.

    Stanford University

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  31. Towards Efficient Hyperbolic Representation Learning for Recommender Systems

    HyperbRec обучает представления непосредственно на гиперболоиде. Линейное внимание на основе косинусного преобразования сокращает вычисления.

    Dublin City University

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  32. When Fixed-Candidate Offline Evaluation Changes Model Selection in Two-Stage Recommenders

    Работа сравнивает системы на собственных и фиксированных кандидатах. Признаки пересчитываются для каждой системы, чтобы отделить членство в пуле от реранжирования.

    Stanford University

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  33. A Position Paper on Recommender Systems in the Era of Autonomous Agents

    Позиционная работа разделяет клиентского и платформенного агента. В постановку рекомендации добавляются запрашивающая сторона, явная цель и доступные ограничения.

    Nanyang Technological University

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

    Публикация конференцииZotero ↗

  34. EachMovie: archaeology of a first latent recommender system

    EachMovie восстанавливается как ранняя латентная модель оценок. Регуляризованная ошибка считается только по наблюдениям, а профили обновляются отдельно от фоновой оптимизации.

    Digital Equipment Corporation

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  35. From User–Item Edges to Exposure Allocation: Matching Evidence to Platform-Level Recommender Claims

    Работа отделяет свидетельства о локальной рекомендации от утверждений о распределении экспозиции. Мысленные контрпримеры проверяют зависимость вывода от ресурсов и состояния платформы.

    Stanford University

    #Оценка и причинность#Промышленные системы#Объяснения и контроль

    Публикация конференцииZotero ↗

  36. hoploy: a Plugin-Based Inference Layer for Path-Based Explainable Recommendation over Knowledge Graphs

    Hoploy оборачивает готовые графовые рекомендатели плагинами предметных областей. Обработчики переводят ограничения запроса в допустимые пути и разворачивают результаты в объяснения.

    University of Cagliari

    #Промышленные системы#Коллаборативные модели#Объяснения и контроль

    Публикация конференцииZotero ↗

  37. scikit-rec: A Unified, Extensible Recommendation Library with scikit-rec-agent, a Conversational Interface

    Scikit-rec разделяет рекомендательную логику, скоринг и оценивание моделей. Разговорный агент выбирает конфигурации поверх общего программного контракта.

    Intuit

    #Промышленные системы#Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  38. WatchLens: A Configurable Platform for Online Video Recommendation Experiments

    WatchLens разделяет конфигурацию видеоэксперимента, интерфейса и рекомендательной политики. Телеметрия связывает воспроизведение с контекстом показов.

    Yonsei University

    #Оценка и причинность#Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  39. A Framework for Value-Aligned Modeling and Robust Experimentation

    Фреймворк связывает прогноз рекламных конверсий с денежной ценностью через взвешенную цель. Диагностика экспериментального конвейера проверяет согласованность офлайн- и онлайн-решений.

    Google

    #Реклама и рекомендации#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  40. A Self-Triggered Agentic Push Recommendation System

    STEPS обучает политику времени следующего push через условие на будущую награду. Порядковая регрессия задаёт интервал, а ценностная модель контролирует исполнение.

    ByteDance, Peking University

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  41. A Unified Generative Re-ranking Framework with Adaptive Multi-objective Fusion

    MAMGR делит адаптивные пользовательские веса целей между генератором перестановок и оценщиком списков. Общий контекст сочетает локальные свёртки с моделированием длинных зависимостей.

    Ant Group

    #Генеративные рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  42. Alignment + Accuracy: The Cascade Reward Representation for Preranking

    Cascade Reward раскладывает награду каскада по префиксам выдачи и пересечению с основным ранкером. Практический предиктор объединяет согласованность отбора и точность оценок.

    Pinterest

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  43. Attending to the Core: Core-Task Attention for Recommendation

    CoreAtt передаёт вспомогательные представления приоритетной задаче через внимание. Популяционные процентили дополнительно взвешивают перенос между задачами.

    Kuaishou Technology

    #Промышленные системы

    Публикация конференцииZotero ↗

  44. Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops

    Spotify разделяет план синтетического диалога и его адаптивное исполнение с живым агентом. Рубрики навыков и разбор ошибок поддерживают цикл исправлений.

    Spotify

    #Языковые модели и агенты#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  45. Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music

    Работа сравнивает вмешательства в обучение и выдачу музыкального ранкера при фиксированном retrieval. Свежесть релизов и новизна потребления оцениваются как разные цели.

    Google

    #Промышленные системы#Объяснения и контроль#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  46. Building a User Foundation Model for the Open Web

    Пользовательская foundation-модель предобучается на последовательностях веб-событий. Полученные представления интегрируются в действующий CTR-ранкер.

    Teads

    #Реклама и рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  47. CAPTS: Channel-Aware, Preference-Aligned Trigger Selection for Multi-Channel Item-to-Item Retrieval

    CAPTS оценивает исторический trigger по полезности его товарных соседей в будущем окне. Канальные модели выбирают события, наиболее подходящие для предварительного поиска.

    Kuaishou Technology

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  48. 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 ↗

  49. DART - Drift Aware Ranking with forecasTing and uncertainty

    DART прогнозирует временное состояние групп предложений. Кэшируемые представления и неопределённость прогноза подаются действующему ранкеру.

    Amazon

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  50. DRanker: A Transformer-Based Multi-Task Ranking Model for the Disney+ Homepage

    DRanker обучает многозадачную модель на первых содержательных просмотрах. Контекст профиля и отбор примеров согласуются с задачей открытия новых тайтлов.

    The Walt Disney Company

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

    Публикация конференцииZotero ↗

  51. EGR: Embedding-Native Generative Retrieval with a Shared LLM

    EGR совместно кодирует товары и истории общим языковым энкодером. Контрастивные цели связывают совместное потребление и следующий товар в одном векторном пространстве.

    Snap

    #Языковые модели и агенты#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  52. Embedding Subspace Partitioning for Dynamic Multi-Objective Retrieval

    ESP выделяет отдельные подпространства эмбеддинга разным целям. Их веса меняются на стороне запроса при сохранении общей модели и индекса.

    LinkedIn

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  53. Entity Representation Learning Through Onsite-Offsite Graph for Pinterest Ads

    TransRA объединяет площадочные и разрешённые внешние действия в неоднородный граф. Типовые преобразования приводят сущности к общему пользовательскому пространству для downstream-ранкера.

    Pinterest

    #Реклама и рекомендации#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  54. FLUID: From Ephemeral IDs to Multimodal Semantic Codes for Billion-Scale Livestreaming Recommendation

    FLUID кодирует эфемерные трансляции общим мультимодальным энкодером и семантическими кодами. Представления интегрируются в ранкер через согласованное квантование и обучение.

    TikTok, ByteDance

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

    Публикация конференцииZotero ↗

  55. From Exploitation to Balance: Efficient Retargeting Recommendation via DPO-Guided Slot Allocation

    RetargetRec разделяет повторные и новые товары на этапе retrieval. Обученная preference-модель управляет количеством и позициями повторных предложений.

    Alibaba International Digital Commerce Group

    #Реклама и рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  56. 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 ↗

  57. From Placements to Pages: Modeling Recommendation Module Interactions with Sequential Transformer Neural Bandits

    STNB кодирует ранее выбранные семейства модулей страницы причинным Transformer. Быстро обновляемая bandit-политика выбирает варианты отдельно от стабильного представления семейств.

    eBay Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  58. Generative Spatiotemporal Intent Sequence Recommendation via Implicit Reasoning in Amap

    GPlan учится на структурированных планах услуг, синтезированных учителем с экспертными примерами. Ученик воспроизводит компактную последовательность намерений и инструментов.

    AMAP

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

    Публикация конференцииZotero ↗

  59. GRIP: Generation and Reasoning for User Profile Completion

    GRIP обучает языковую модель заполнять и проверять недостающие поля профиля через последовательные стадии адаптации. Награда учитывает тип атрибута, количество интересов и формат ответа.

    Hong Kong Baptist University, Tencent +1

    #Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  60. GenPage: Towards End-to-End Generative Homepage Construction at Netflix

    GenPage авторегрессионно создаёт ряды и объекты домашней страницы. При продолжении выдачи контекст дополняется уже показанным и новыми действиями.

    Netflix

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  61. 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 ↗

  62. Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study

    HA-MoE подаёт явные признаки типа контента в многозадачные гейты и модуляцию экспертов. Оценка учитывает неоднородность смешанной выдачи.

    Google

    #Промышленные системы

    Публикация конференцииZotero ↗

  63. Hybrid Retrieval and Multimodal Reranking for Item-to-Item Recommendation in a C2C Marketplace

    Система объединяет кандидатов независимого текстового и визуального поиска. Мультимодальный реранкер выбирает похожие товары для площадки частных продавцов.

    Mercari

    #Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  64. Hypothesis-Driven Shelf Generation for Personalised Recommendation

    Языковая модель формулирует персональную гипотезу тематической полки. Ограниченный каталогом генеративный retrieval исполняет её и согласует объекты с замыслом.

    Spotify

    #Языковые модели и агенты#Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  65. 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 ↗

  66. Interest Sequence for User Modeling in Industrial Short-Form Video Recommendation

    Иерархическая таксономия видео задаёт дерево накопленных пользовательских интересов. Семантическая долгосрочная статистика подаётся промышленному ранкеру отдельным входом.

    Google YouTube

    #Промышленные системы#Последовательные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  67. LLM-Based Re-Ranking for Real Estate Search

    Реранкер оценивает каждый объект недвижимости по запросу, профилю и общему контексту кандидатов. Асинхронные оценки уточняют готовый retrieval без замены проверки допустимости.

    QuintoAndar, Growthloop

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

    Публикация конференцииZotero ↗

  68. LLM-Based User Personas for Recommendations at Scale

    Из очищенной и сгруппированной истории строятся освоенные и возможные новые интересы. Асинхронные текстовые персоны ограничивают область поиска для действующего ранкера.

    Google DeepMind, Google +1

    #Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  69. 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 ↗

  70. 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 ↗

  71. Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning

    Потенциальные долгосрочные proxy отбираются по нормированным действиям вокруг опорного дня. Проверенная конфигурация наград включается в существующий многозадачный ранкер.

    Pinterest

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  72. M2R: End-to-End Implicit Scenario Discovery for Multi-Scenario and Multi-Crowd Ranking at Taobao

    Ранкер Taobao сочетает явные бизнес-разбиения с обучаемым выбором ближайшего прототипа. Целевая ошибка и геометрические ограничения обучают маршрутизацию, а низкоранговые добавки сокращают параметры экспертов.

    Taobao & Tmall Group of Alibaba

    #Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  73. MDGR: Masked Diffusion Generative Recommendation

    MDGR использует параллельные коды и маскированную дискретную диффузию. Декодирование начинается с уверенных одиночных позиций и затем заполняет коды параллельно.

    Alibaba International Digital Commerce Group, Wuhan University

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  74. MESH: Scaling Up Retrieval with Heterogeneous Content Unification

    MESH разделяет пользовательские, объектные и контекстные признаки по подбашням. Нормировка и управляемое объединение ограничивают доминирование частого типа контента.

    Pinterest

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  75. Melo: A Production LLM-Powered Music Recommendation Agent

    Melo исполняет музыкальный запрос через фиксированный граф понимания, планирования, поиска и проверки. Структурированные переходы ограничивают свободную агентную петлю.

    NetEase Cloud Music, Hangzhou Dianzi University

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

    Публикация конференцииZotero ↗

  76. Mend the Measurement Gap: Latent User Preference Modeling for Short-Form Video Recommendation

    FLVM отдельно моделирует базовые поведенческие склонности и латентный остаток предпочтений. Несколько сигналов обратной связи связываются через структурированное вероятностное представление.

    Google, Google YouTube

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  77. MoR: An Adaptive Retrieval Allocation Balancing Long-Term Interest and Short-Term Evidence

    MoR сочетает долгосрочный прогноз интереса со свежими наблюдениями показов и действий. Полученное состояние распределяет retrieval-бюджет между каналами.

    Amazon

    #Промышленные системы

    Публикация конференцииZotero ↗

  78. 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 ↗

  79. Multi-Objective Ranking for Live-Streaming: Balancing Fresh and Delayed Signals with Segment-Aware Targeting

    Плотный свежий сигнал отделяется от глубоких отложенных действий в многозадачном ранжировании. Сегментное управление согласует цели для разных зрителей трансляций.

    Twitch Interactive, Amazon Prime Video

    #Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  80. 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 ↗

  81. Multilingual Semantic Retrieval for Apple Music Search

    Многоязычный bi-encoder кодирует запросы и структурированные музыкальные документы. Поведенческие пары и согласование шкал соединяют семантический канал с поисковой системой.

    Apple

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

    Публикация конференцииZotero ↗

  82. NextGen: A Multi-Objective Generative Re-ranking Framework for Taobao Recommendation

    NextGen кодирует пользователя и готовый пул кандидатов с upstream-сигналами. Авторегрессионный декодер собирает список, учитывая уже выбранный префикс и разные цели.

    Taobao & Tmall Group of Alibaba

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  83. PLAIN: An Explainable Generative Search System Enhanced by Multi-granularity Semantic Alignment

    PLAIN задаёт ранним кодам таксономический смысл, а поздним — метаданные и различение экземпляров. Синтетическая supervision согласует запрос с уровнями семантического поиска.

    Kuaishou Technology

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  84. POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation

    POEM превращает предыдущий набор кандидатов и многозадачные скоры в частично упорядоченную последовательность. Эта история системных решений дополняет пользовательские события в retrieval.

    Kuaishou Technology

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  85. PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations

    PROMISE оценивает промежуточные префиксы семантических кодов лёгкой reward-моделью. Beam search отсекает слабые ветви до завершения идентификатора.

    Kuaishou Technology

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  86. Personalizing Incremental Video Search with Hybrid Text and ID Embeddings

    Текстовые и ID-представления обучаются отдельно на поведенческой близости. Их персональные cosine-affinity добавляются в ранкер инкрементального видеопоиска.

    Apple

    #Промышленные системы#Коллаборативные модели#Языковые модели и агенты

    Публикация конференцииZotero ↗

  87. PinDCO: Whole-Page Aware Dynamic Creative Optimization at Scale

    PinDCO параллельно ранжированию объявлений оценивает варианты их креативов. Компонентная модель учитывает контекст всей страницы и форму карточки.

    Pinterest

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

    Публикация конференцииZotero ↗

  88. Progressive Alignment of Recommender Foundation Model through Multi-Phase Post-Training

    Предобученный пользовательский энкодер адаптируется последовательными стадиями post-training. Новые головы и контекст поверхности сначала согласуются с замороженной базой, затем оптимизируются дальше.

    NAVER WEBTOON

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  89. RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation

    RECAP обновляет тематическую память по хронологическим блокам истории и ссылкам на поддерживающие события. Детерминированная машина состояния управляет давностью и приоритетами записей.

    University of Science and Technology of China, Kuaishou Technology +1

    #Языковые модели и агенты#Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  90. 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 ↗

  91. 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 ↗

  92. RecEvolve: A Knowledge-Driven Autonomous Agent System for Recommender Systems

    RecEvolve организует цикл идей, критики, кода и офлайн-проверки специализированными агентами. Версионирование позволяет накапливать принятые изменения и откатывать неудачные.

    Google, Google YouTube

    #Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  93. SMART: LLM-Augmented Hybrid Retrieval for Dynamic Product Ads

    SMART сначала выполняет дешёвый поиск по точным брендам и категориям. Аудит покрытия готового пула решает, нужна ли дополнительная языковая генерация запросов.

    Snap

    #Реклама и рекомендации#Промышленные системы#Языковые модели и агенты

    Публикация конференцииZotero ↗

  94. Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models

    Sample Is Feature квантует снимок пользовательских, товарных и контекстных признаков события. История состоит из токенов взаимодействий, а не только ссылок на товары.

    Meituan

    #Промышленные системы#Генеративные рекомендации#Последовательные рекомендации

    Публикация конференцииZotero ↗

  95. Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents

    Агенты предлагают компактные изменения промышленной конфигурации и проверяют их через общий журнал экспериментов. Разные роли исследуют архитектуру, оптимизацию и награды при фиксированных контрактах.

    Google YouTube

    #Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  96. SequenceO1: End-to-End Ultra-Long (100K) Sequence Modeling in Recommendation with Low-Rank Caching

    Модель распределяет события между общими прототипами и кэширует компактную историю. Свежие события дополняют представление без повторной обработки всей последовательности.

    ByteDance

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  97. 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 ↗

  98. 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 ↗

  99. Space Efficient Item Embeddings for Large Recommender Systems

    Гибридная таблица сохраняет отдельные большие векторы популярных объектов и сжимает хвост общими представлениями. Низкоранговое разложение или множественное хеширование позволяют распределять ёмкость неравномерно.

    Boston University, Google

    #Промышленные системы#Коллаборативные модели#Объяснения и контроль

    Публикация конференцииZotero ↗

  100. 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 ↗

  101. 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 ↗

  102. Token Factory: Efficiently Integrating Diverse Signals into Large Recommendation Models

    Token Factory преобразует группы разнородных признаков в обучаемые непрерывные токены фиксированной длины. Эти токены совместно оптимизируются с большой рекомендательной моделью.

    Google YouTube, Google DeepMind

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  103. Tokens are All You Need: Dual-purpose Semantic IDs for Achieving LLM-Level I/O Efficiency in Recommendation Systems (SiDec)

    SiDec использует одни семантические токены как коллаборативные признаки и источник реконструкции контентного вектора. Лёгкий декодер восстанавливает плотную информацию внутри ранкера.

    Google, Google DeepMind

    #Промышленные системы#Генеративные рекомендации

    Публикация конференцииZotero ↗

  104. Towards Full Candidate Interaction: A Comprehensive Comparison Network for Better Route Recommendation

    CCN вычисляет направленные различия физических сегментов между маршрутами. Сеть совместно сравнивает кандидатов вместо независимого кодирования каждого пути.

    AMAP

    #Кросс-домен и мультимодальность#Промышленные системы

    Публикация конференцииZotero ↗

  105. Towards Generalizable and Efficient Large-Scale Generative Recommenders

    Работа сочетает масштабирование генератора с предсказанием множества будущих ценных действий. Семантические ветви и маскирование ID поддерживают обобщение на новые тайтлы.

    Netflix Research

    #Генеративные рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  106. Towards Reliable Social A/B Testing: Spillover-Contained Clustering with Robust Post-Experiment Analysis

    Balanced Louvain формирует социальные кластеры с контролем размера для рандомизации. Анализ агрегированных исходов учитывает кластерную единицу назначения и сетевые spillover.

    Kuaishou Technology

    #Оценка и причинность#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  107. TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation

    Архитектура разделяет пожизненные действия, свежую историю и показы. Отбор под кандидата позволяет использовать дальнее поведение без полного удлинения дорогого входа.

    Pinterest, OpenAI

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  108. TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery

    TubiFM сериализует поиски, сессии и просмотры в общую пользовательскую историю. Один интерфейс ранжирования обслуживает объекты, карусели и поиск.

    Tubi

    #Промышленные системы#Последовательные рекомендации#Языковые модели и агенты

    Публикация конференцииZotero ↗

  109. UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation

    UNIQUE обучает плоские коды на признаках объектов и многозадачной поведенческой обратной связи. Общее представление связывает retrieval с последующим ранжированием.

    Beihang University, Baidu Inc. +2

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  110. Uncertainty-Aware Reward Modeling: A Large-Scale Case Study in Video Recommendation

    Лёгкий ранкер YouTube использует байесовский последний слой либо квантили награды для исследования кандидатов. Квантильная политика добавляет к медиане бонус за ширину интервала с отдельным правилом для телевизоров.

    Google YouTube, Google DeepMind

    #Промышленные системы#Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  111. UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale

    UniPinRec объединяет retrieval и ranking на общем последовательном backbone. Совместные представления и задачи обучения дополняются оптимизацией развёртывания.

    Pinterest

    #Промышленные системы#Генеративные рекомендации#Последовательные рекомендации

    Публикация конференцииZotero ↗

  112. UniShare: A Unified Framework for Joint Video and Receiver Recommendation in Social Sharing

    UniShare совместно моделирует выбор видео и адресата социальной отправки. Представления интересов обеих сторон согласуются с содержанием и типом отношений.

    Kuaishou Technology

    #Кросс-домен и мультимодальность#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  113. UniTraj: Cross-Domain Long-Sequence Modeling for Commercial Recommendation

    UniTraj объединяет рекламные и контентные события в длинную траекторию. Общие товарные и категорийные связи поддерживают иерархический отбор истории для ранкера.

    Tencent, University of Science and Technology of China

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

    Публикация конференцииZotero ↗

  114. 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 ↗

  115. 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 ↗

  116. Which LLM to Fine-Tune? Agent-Driven Model Selection at Scale

    AgentRec фильтрует модели по ограничениям развёртывания и дешёвым оценкам пригодности. Последующие этапы распределяют бюджет дообучения между разнообразными кандидатами.

    Amazon Search, Amazon

    #Языковые модели и агенты#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  117. CoSID: Concept-Conditioned Semantic-ID Decoding for Efficient Generative Recommendation

    CoSID однократно сжимает историю в пользовательский концепт. Лёгкий дистиллированный декодер ведёт поиск по SID без повторного обращения к тяжёлому backbone.

    AXXX (не раскрыто в источнике), AI Center +2

    #Генеративные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  118. Pairwise Ranking Outperforms Single-Action RL for Offline Explanation Selection: A Practical Lesson

    Для каждого запроса заранее создаётся пул объяснений с признаками текста и происхождения. Парный ранкер выбирает вариант и сравнивается с одношаговыми RL-подходами.

    Amazon

    #Объяснения и контроль#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  119. Predicting Custom-Feed Returns for New Bluesky Posts: A Prospective Study

    Для нового поста гибридные каналы находят подходящие пользовательские ленты. Ранкер прогнозирует наблюдаемый возврат поста в будущих снимках выдачи.

    Northeastern University (Boston, USA)

    #Кросс-домен и мультимодальность#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  120. 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 ↗

  121. What price fairness? Evaluating Energy – Fairness – Accuracy Trade-off in Recommender Systems

    Работа сравнивает fairness-вмешательства внутри обучения, графа и готового списка. Качество и распределение экспозиции оцениваются вместе с энергозатратами.

    Johannes Kepler University Linz, ISISTAN, CONICET-UNCPBA

    #Объяснения и контроль#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  122. COMPRESSO: Espresso-Style Sparse Representation Learning for Interpretable Recommender Systems

    COMPRESSO предоставляет интерфейсы обучения и применения разреженных автоэнкодеров. Каталожное обучение отделяется от кодирования новых объектов.

    Recombee, Charles University +2

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  123. CORGI: Communal Feed Governance for Bluesky

    CORGI агрегирует голоса подписчиков в веса сигналов, тематические предпочтения и фильтры общей ленты. После административного утверждения политика применяется с сохранением версии и разложения оценок постов.

    University of Colorado Boulder

    #Объяснения и контроль#Промышленные системы

    Публикация конференцииZotero ↗

  124. Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval

    Система синхронизирует каталог по стабильным ID и раздельным полным и семантическим хешам. Только содержательные изменения требуют повторного обогащения и кодирования.

    Infobip

    #Промышленные системы#Языковые модели и агенты

    Публикация конференцииZotero ↗

  125. Perseus: A Demo of Modular Personalization over Heterogeneous Event Sequences

    Perseus собирает разнородные события строго до заданной точки предсказания. Типизированные кодировки и общий Event Hub поддерживают переиспользуемый цикл обучения и выдачи.

    T-Tech, ITMO University +1

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  126. Scikit-Rank: Scikit-learn-Compatible Neural Ranking Models for Tabular Recommender Systems

    Scikit-Rank соединяет нейронный табличный ранкер с интерфейсом scikit-learn и настраиваемыми энкодерами. Компонентные сравнения отделяют числовое кодирование, хеширование категорий и обучающие потери.

    T-Tech, HSE University

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  127. SeqPack: Interactive Composable Sequence Compression for Real-time Recommender Systems

    SeqPack подбирает композиции кодеков для разных полей последовательности. Кодирование без потерь отделяется от квантования с потерями.

    Capital One

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  128. Keeping the Index Open: The Recommendation-Side Cost of Shared Search and Recommendation

    RetrievalFormer используется как инструмент сравнения открытого общего индекса поиска и рекомендаций. Абляции исследуют цену совместимости относительно специализированных рецептов обучения.

    Amazon Web Services

    #Промышленные системы#Коллаборативные модели#Оценка и причинность

    ВоркшопZotero ↗

  129. 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 ↗

  130. 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 ↗

  131. Reward Optimizing Recommender Systems

    План tutorial противопоставляет агрегатные A/B-сравнения моделированию пользовательских реакций на действия. Обсуждается, какие предпосылки нужны оптимизации награды по наблюдениям.

    Criteo AI Lab

    #Оценка и причинность#Промышленные системы

    Аннотация tutorialZotero ↗

  132. Lightweight Ranking Heads: Accelerating Multi-Task Experimentation in Production Recommender Systems

    Лёгкие головы подключаются общей конфигурацией к существующим моделям. Stop-gradient и отдельное управление состоянием изолируют новые задачи от основного обучения.

    Google

    #Промышленные системы

    ВоркшопZotero ↗

  133. Timing-Aware Repurchase Prediction for Web-Scale E-Commerce: Survival Models for Multi-Surface Grocery Recommendation

    Повторная покупка моделируется как время до события с учётом цензурирования. Survival-цели сравниваются при общих признаках и базовой архитектуре.

    Walmart Global Tech

    #Кросс-домен и мультимодальность#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

RecSys2026

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