НаправлениеSEQ

История, время и последовательности

Длина истории, порядок событий и выразительность энкодера — разные свойства, и работают они по-разному. Прежде чем усложнять модель, надо понять, какое из них использует конкретная задача.

61 материалов с этим тегом · 21 с этой темой в качестве главной · в каталоге →

1. 01

   Сжатие, отбор и кэширование нельзя считать одним ускорением

   DP-Rec выделяет границы событийных патчей, RDSR оставляет короткую хронологическую последовательность, а прототипный компрессор сохраняет прототипную сводку для повторного использования. TransAct обращается к дальней истории под конкретного кандидата. Первые решения меняют доступную модели информацию, кэширование меняет частоту вычислений, адресный отбор зависит от запроса. Поэтому сравнивать следует и потери сигнала, и полный путь выдачи с промахами кэша.

   • DP-Rec: Towards Dynamic Patching for Efficient Long-Sequence Recommendation
   • Information-Aware Long Sequence Compression for Sequential Recommendation
   • SequenceO1: End-to-End Ultra-Long (100K) Sequence Modeling in Recommendation with Low-Rank Caching
   • TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation
2. 02

   Сложная архитектура не доказывает сложного использования истории

   Диагностика residual dominance показывает опору на последний объект, но одинаковое сохранение входа в разных позициях не объясняет этот перекос полностью. Capacity probes проверяют, достаточно ли суммы попарных свидетельств для конкретного бенчмарка. RecRec добавляет отдельные интересы и рекурсивное уточнение, однако их вклад нужно разделять. Вывод о необходимости сложного моделирования зависит и от метрики, и от силы простого контроля.

   • Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders
   • Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?
   • RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation
3. 03

   Время может менять представление, доверие к истории или численную динамику

   TO-RoPE вводит временные интервалы в фазу внимания, DeltaGate ослабляет персональное представление после отсутствия, а STAR исследует чувствительность непрерывновременной модели к решателю. Это не варианты одного временного признака: они отвечают за относительное расстояние, устаревание и вычислительную устойчивость. Перенос требует отдельных проверок дрейфа; полезность сильного решателя ещё не подтверждает полезность маршрутизатора между решателями. SSPRec регулирует удержание истории внутри обновления по пользовательскому дрейфу, тогда как контроллер адаптивного переобучения выбирает сам момент и тип операции. Эти решения можно сочетать концептуально, но их совместный эффект не измерен. В первом случае не раскрыта полная цена языковых профилей, во втором лимит операций не равен лимиту вычислений и не включает обучение контроллера.

   • Beyond Index-Only RoPE: Integrating Time and Order for Generative Recommendation
   • Zero-Observation User Reactivation with Gap-Driven Dimensional Gating (DeltaGate)
   • The Cost of Continuous Time: Diagnosing Solver Sensitivity in Recommenders and Mitigating It via Training-Free Routing
   • Stabilizing Stability and Plasticity in Graph-based Continual Recommender System
   • Adaptive Retraining of Recommender Systems via Reinforcement Learning

Работы по теме

1. 002

   A Redundancy Reduction Approach for Controllable Sequential Recommendations

   #Контроль, объяснения и интересы участников#История, время и последовательности
2. 005

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

   #История, время и последовательности#Промышленное ранжирование и стоимость
3. 008

   Bilateral Intent-Enhanced Sequential Recommendation with Embedding Perturbation-Based Contrastive Learning

   #История, время и последовательности#Коллаборативность и геометрия представлений
4. 010

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

   #История, время и последовательности#Промышленное ранжирование и стоимость
5. 012

   Coarse-to-Fine Long-term Interest Modeling for Generative Recommendation

   #Генерация и семантические коды#История, время и последовательности
6. 015

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

   #История, время и последовательности#Промышленное ранжирование и стоимость
7. 016

   DPGFlow: Decoupled Preference Guided Flow Matching for Cross Domain Sequential Recommendation

   #Генерация и семантические коды#Домены, группы и мультимодальные задачи#История, время и последовательности
8. 022

   Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders

   #История, время и последовательности#Оценка, причинность и достоверность вывода
9. 024

   FiCoRec: Fine-Grained Contrastive Learning with Dual Aggregation for Sequential Recommendation

   #История, время и последовательности#Коллаборативность и геометрия представлений
10. 026

    GSPRec: On Improving Item Representations in Graph Signal Processing for Collaborative Filtering

    #Коллаборативность и геометрия представлений#История, время и последовательности
11. 027

    GTP: Mitigating Popularity Bias in PLM-based Sequential Recommendation via Group-Aware Token Pruning

    #Контроль, объяснения и интересы участников#История, время и последовательности#Языковые модели, диалог и агенты
12. 032

    Hamiltonian Spectral-Temporal Dissipative Dynamics for Sequential Recommendation

    #История, время и последовательности#Промышленное ранжирование и стоимость
13. 035

    Information-Aware Long Sequence Compression for Sequential Recommendation

    #История, время и последовательности#Промышленное ранжирование и стоимость
14. 039

    MaskPoison: Intent-Guided Poisoning Attacks on Sequential Recommendation via Masked Discrete Diffusion

    #Контроль, объяснения и интересы участников#Генерация и семантические коды#История, время и последовательности
15. 045

    Purifying Interaction Sequences: Topology-Aware Spectral Denoising for Side-Information Integrated Sequential Recommendation

    #История, время и последовательности#Коллаборативность и геометрия представлений
16. 046

    RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation

    #История, время и последовательности
17. 053

    TAGRec: Tailness-Aware Gate for Sequential Recommendation under Long-Tailed Distributions

    #История, время и последовательности#Коллаборативность и геометрия представлений
18. 054

    TRACE: Targeted Ranking-Aware Counterfactual Explanation for Sequential Recommendation

    #Контроль, объяснения и интересы участников#История, время и последовательности
19. 056

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

    #История, время и последовательности#Промышленное ранжирование и стоимость#Оценка, причинность и достоверность вывода
20. 058

    There’s Something About You: Epistemic Recommendation for Latent Interest Discovery

    #Контроль, объяснения и интересы участников#История, время и последовательности#Оценка, причинность и достоверность вывода
21. 064

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

    #История, время и последовательности#Промышленное ранжирование и стоимость
22. 067

    Beyond Index-Only RoPE: Integrating Time and Order for Generative Recommendation

    #История, время и последовательности#Генерация и семантические коды
23. 072

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

    #Промышленное ранжирование и стоимость#История, время и последовательности
24. 075

    Enriching Graph-Based Modeling with Sequential Signals for Explainable Course Recommendation

    #Коллаборативность и геометрия представлений#История, время и последовательности#Контроль, объяснения и интересы участников
25. 081

    Personalized Recommendation Tool Learning via Autonomous Language Agents

    #Языковые модели, диалог и агенты#Коллаборативность и геометрия представлений#История, время и последовательности
26. 084

    Probing the LLMs for Generating User Profile of Session-based Social Recommendation

    #Языковые модели, диалог и агенты#История, время и последовательности#Коллаборативность и геометрия представлений
27. 086

    Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation

    #Языковые модели, диалог и агенты#Коллаборативность и геометрия представлений#История, время и последовательности
28. 090

    Uncertainty-Aware Gated Context Fusion for Next POI Recommendation

    #Домены, группы и мультимодальные задачи#История, время и последовательности
29. 091

    Exploiting ID-Text Complementarity via Ensembling for Sequential Recommendation

    #История, время и последовательности#Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты
30. 118

    A Self-Triggered Agentic Push Recommendation System

    #Промышленное ранжирование и стоимость#История, время и последовательности
31. 119

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

    #Генерация и семантические коды#Промышленное ранжирование и стоимость#История, время и последовательности
32. 125

    Building a User Foundation Model for the Open Web

    #Реклама и рекомендации#Промышленное ранжирование и стоимость#История, время и последовательности
33. 126

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

    #Промышленное ранжирование и стоимость#История, время и последовательности
34. 128

    DART - Drift Aware Ranking with forecasTing and uncertainty

    #Промышленное ранжирование и стоимость#История, время и последовательности
35. 129

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

    #Промышленное ранжирование и стоимость#Домены, группы и мультимодальные задачи#История, время и последовательности
36. 136

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

    #Промышленное ранжирование и стоимость#История, время и последовательности
37. 141

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

    #Реклама и рекомендации#Промышленное ранжирование и стоимость#История, время и последовательности
38. 146

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

    #Промышленное ранжирование и стоимость#История, время и последовательности#Коллаборативность и геометрия представлений
39. 165

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

    #История, время и последовательности#Промышленное ранжирование и стоимость
40. 169

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

    #Промышленное ранжирование и стоимость#История, время и последовательности
41. 170

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

    #Языковые модели, диалог и агенты#История, время и последовательности#Промышленное ранжирование и стоимость
42. 175

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

    #Промышленное ранжирование и стоимость#Генерация и семантические коды#История, время и последовательности
43. 177

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

    #История, время и последовательности#Промышленное ранжирование и стоимость
44. 179

    Soft Curriculum Learning for Optimizing Fresh and Generalized Recommendations

    #Промышленное ранжирование и стоимость#История, время и последовательности
45. 184

    Token Factory: Efficiently Integrating Diverse Signals into Large Recommendation Models

    #Промышленное ранжирование и стоимость#История, время и последовательности
46. 187

    Towards Generalizable and Efficient Large-Scale Generative Recommenders

    #Генерация и семантические коды#Промышленное ранжирование и стоимость#История, время и последовательности
47. 189

    TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation

    #История, время и последовательности#Промышленное ранжирование и стоимость
48. 190

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

    #Промышленное ранжирование и стоимость#История, время и последовательности#Языковые модели, диалог и агенты
49. 193

    UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale

    #Промышленное ранжирование и стоимость#Генерация и семантические коды#История, время и последовательности
50. 195

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

    #Реклама и рекомендации#История, время и последовательности#Домены, группы и мультимодальные задачи#Промышленное ранжирование и стоимость
51. 196

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

    #Промышленное ранжирование и стоимость#История, время и последовательности
52. 197

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

    #Промышленное ранжирование и стоимость#История, время и последовательности
53. 205

    Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?

    #Оценка, причинность и достоверность вывода#История, время и последовательности
54. 209

    In-Batch Negatives Can Silently Cripple LLM-Encoded Sequential Recommenders

    #История, время и последовательности#Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода
55. 212

    More Test Users, More Overconfidence: Seed Variance in Sequential Recommender Tests

    #Оценка, причинность и достоверность вывода#История, время и последовательности
56. 219

    Revisiting the Assumptions of Shared-Account Sequential Recommendation

    #Оценка, причинность и достоверность вывода#История, время и последовательности#Домены, группы и мультимодальные задачи
57. 221

    Scaling Sequence Learning under Production Latency Constraints

    #Промышленное ранжирование и стоимость#История, время и последовательности
58. 242

    Perseus: A Demo of Modular Personalization over Heterogeneous Event Sequences

    #Промышленное ранжирование и стоимость#История, время и последовательности
59. 245

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

    #Промышленное ранжирование и стоимость#История, время и последовательности
60. 259

    What Reasoning Should a Recommender Have? Designing Reasoning for Inference-Time Scaling in Recommendation

    #История, время и последовательности#Языковые модели, диалог и агенты
61. 264

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

    #Промышленное ранжирование и стоимость#История, время и последовательности