.png){kind=icon}
返回
Implicit Multi-Behavior Generative Recommendation With Mixture of Quantization
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3572014.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生成式推荐系统近期受到了广泛关注，这主要归功于生成式人工智能的显著进步。作为多行为序列推荐的竞争性解决方案，近期大量研究集中使用生成式方法预测用户可能交互的下一个项目。然而，这些方法通常1）分配多个残差量化层以获取项目编码，导致额外的代码簿存储成本增加。并且2）显式利用行为序列，导致序列变长，可能增加训练时间以及推理时间与原始序列相比。为应对这些挑战，本文提出了一种隐式多行为生成推荐混合量化（IMBGen）方法。具体而言，我们设计了一种混合量化（MoQ），结合了残差和并行量化的优点，以实现更有效的标记化过程。此外，我们提出了隐式行为建模（IBM）框架，允许更高效地将用户行为整合到交互项目中。最后，我们在两个广泛使用的基准数据集上进行了大量实验，并通过在线A/B测试进一步验证了我们的发现。结果表明，与其它基线方法相比，我们的方法具有明显优势。
Keyword:
Recommender system
generative AI
vector quantization
LLM
implicit behavior modeling (IBM)
mixture of quantization (MoQ)
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
分享收藏分享收藏Hierarchical Gating Networks for Sequential Recommendation.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Adapting Large Language Models by Integrating Collaborative Semantics for Recommendation通过整合协同语义来适应大型语言模型进行推荐
OAAI
OAAI分享收藏分享收藏
查看更多内容