Framework di Miscela di Sequenze per Raccomandazioni su Lunghe Sequenze
Un nuovo framework chiamato Miscela di Sequenze (MoS) affronta la sfida di modellare lunghe sequenze utente nei sistemi di raccomandazione sequenziale. Il problema principale è che gli utenti mostrano significativi cambiamenti di interesse su lunghe sequenze, introducendo informazioni irrilevanti. L'analisi empirica rivela un pattern ricorrente chiamato 'session hopping', in cui gli interessi rimangono stabili all'interno di brevi sessioni ma cambiano drasticamente tra sessioni e possono riapparire. MoS è un approccio Mixture-of-Experts agnostico al modello che estrae sottosequenze tematiche e multiscala da sequenze grezze rumorose. Utilizza un meccanismo di routing consapevole del tema per apprendere adattivamente temi latenti e organizzare le sequenze, migliorando l'accuratezza della previsione del tasso di clic. Il framework è descritto in un articolo su arXiv (2604.20858v1).
Fatti principali
- La raccomandazione sequenziale affronta sfide con lunghe sequenze a causa dei cambiamenti di interesse.
- Pattern di session hopping: interessi stabili all'interno delle sessioni, cambiamenti tra sessioni.
- Il framework MoS è agnostico al modello e utilizza Mixture-of-Experts.
- Meccanismo di routing consapevole del tema per apprendere temi latenti.
- Estrae sottosequenze tematiche e multiscala.
- Mira a migliorare la previsione del tasso di clic.
- Articolo disponibile su arXiv con ID 2604.20858v1.
- L'analisi empirica conferma la sfida e il pattern.
Entità
—