Optimización de sistemas de recomendación LLM con RAG y salida temprana
La arquitectura multi-cabeza con RAG mejora la eficiencia y precisión en sistemas de recomendación LLM. Reduce tiempo de cómputo sin sacrificar calidad.
#recomendación
VidMsg: Benchmark de Mensajes Implícitos en Videos Cortos
Descubre VidMsg, el benchmark que evalúa cómo los modelos de IA entienden mensajes implícitos en videos cortos. ¡Resultados que te sorprenderán!
Taiji: Optimización Pareto para Recomendación Industrial con LLM
Descubre cómo Taiji optimiza recomendaciones industriales con LLM, equilibrando semántica e IDs de usuario. Resultados reales en Kuaishou.
Collab-REC: Marco agentivo con LLM para equilibrar recomendaciones turísticas
Collab-REC, un marco multiagente basado en LLM, equilibra popularidad y diversidad en recomendaciones turísticas, destacando destinos menos visitados.
TalkPlayData 2: Datos sintéticos para recomendación musical conversacional
Descubre TalkPlayData 2, un dataset sintético de agentes LLM para recomendación musical conversacional. ¡Impulsa tus modelos con datos realistas!
¿De quién es el nombre? II: Auditoría de recomendaciones de académicos con LLM
Descubre cómo evaluamos la recomendación de expertos académicos con LLM, analizando intervenciones como temperatura, RAG y sesgos. Resultados sorprendentes.
Reordenamiento con LLM para objetivos matizados en recomendadores
Estudio revela que el reordenamiento con LLM puede amplificar contenido extremo, pero una regularización ligera mejora la diversidad ideológica.
BAHSD: Destilación Adaptativa para Recomendación en Caja Negra
BAHSD: marco de destilación adaptativa para recomendación en caja negra que logra hasta un 4.98% de mejora sobre el profesor y un 80%+ en usuarios de cola larga. Plug-and-play.
GFlowGR: Optimización de Sistemas de Recomendación Generativos con GFlowNets
GFlowGR utiliza GFlowNets para ajustar sistemas de recomendación, mitigando el sesgo de exposición. Mejora diversidad y precisión. Optimiza tu modelo.
Repensando Transformers: de escala a expresividad estructurada para CTR
Descubre cómo FAT revoluciona la predicción de CTR con expresividad estructurada: +4.38% AUC y +2.33% CTR en producción.
Las 10 mejores series ahora según datos de streaming
Descubre las 10 series más populares según datos de streaming. Análisis basado en inteligencia artificial y big data para identificar las tendencias del momento.
LeAP: Permutación Adaptativa para Selección de Características
LeAP aprende a seleccionar características en sistemas de recomendación dispersos, reduciendo costos y eliminando redundancias sin perder rendimiento.
Simulación contextual de agentes para evaluar recomendaciones
Descubre ContextSim: un marco de simulación con agentes LLM que integra tiempo, ubicación y necesidades para evaluar sistemas de recomendación con mayor precisi
Difusión temporal basada en desenredo de preferencias para recomendación generativa
TDPM: difusión temporal basada en desenredo de preferencias mejora la recomendación generativa un 29% en precisión. ¡Descúbrelo!
Rompiendo silos de información con personas semánticas
Descubre SPHERE: personas semánticas para recomendación cross-dominio. Rompe silos de información sin usuarios compartidos. Mejora tu sistema.
Recomendación grupal con finalización de matriz profunda y rango acotado
Descubre cómo Group RC-DMC mejora las recomendaciones grupales usando aprendizaje profundo y restricciones de rango, superando la escasez de datos.
Los LLMs también necesitan codificadores para IDs semánticos
Descubre cómo PrefixMem mejora hasta un 46% la precisión de IDs semánticos en LLMs para recomendación generativa. Optimiza tus modelos.
COPF: Marco online de equidad contrafactual estable en grafos evolutivos
COPF: Marco online para equidad contrafactual estable en recomendaciones de enlaces en grafos evolutivos. Reduce disparidades de grupo sin sacrificar utilidad.
FlowTime: Predicción de Tiempo de Visualización con Priors Personalizados
FlowTime optimiza la predicción de watch time con priors personalizados basados en flujos normalizantes, superando a métodos tradicionales. ¡Descúbrelo!
Verificación detallada con razonamiento diagnóstico para extracción de tripletes de sentimiento
FiVeD: verificación de grano fino para mejorar la extracción de tripletes de sentimiento. Aumenta F1 hasta 3.53. Ideal para sistemas de opinión.