热点事件持续更新
生成式推荐中遗漏目标的训练研究
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
该研究聚焦生成式推荐中遗漏目标的训练问题，提出将监督信号与概率竞争分离的思路。研究设计了三种匹配损失：在固定已检索目标权重的同时，分别引入追加目标监督与组间竞争；中间损失对两组分别归一化，以避免训练目标与推理候选竞争。实验在已发布的 OneRec 模型与本地训练的 Amazon 生成器上进行，四个预设 Amazon Video Games 对比显示，移除竞争使 FT-NDCG 提升 7.8–22.2%，保守开发集规则避免 1.7% 损失；研究还指出候选补全应按生成器逐一评估。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
新报道提出三种匹配损失，分离监督信号与概率竞争，移除竞争使 FT-NDCG 提升 7.8–22.2%。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Information Retrieval生成式推荐中遗漏目标的训练：将监督信号与概率竞争分离
研究提出三种匹配损失，在固定已检索目标权重的同时分别引入追加目标监督与组间竞争，中间损失对两组分别归一化以避免训练目标与推理候选竞争。在已发布的 OneRec 模型与本地训练的 Amazon 生成器上，四个预设 Amazon Video Games 对比显示移除竞争使 FT-NDCG 提升 7.8–22.2%，保守开发集规则避免 1.7% 损失，候选补全应按生成器逐一评估。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。