生成式推荐中遗漏目标的训练研究
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- 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。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.