arXiv · cs.AI· Shreya Rajpal, Sonia Sharma, Swapnil Parekh, Lisa Li, Jeyendran Balakrishnan, Nagaraj Janardhana, Andrew Mattarella-Micke·· 2 天前
可解释的隐式负候选发现方法提升推荐系统负样本选择
Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation
arXiv:2610.07708v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Shreya Rajpal, Sonia Sharma, Swapnil Parekh, Lisa Li, Jeyendran Balakrishnan, Nagaraj Janardhana, Andrew Mattarella-Micke
研究任务与主要进展
研究者提出可解释的隐式负候选发现方法，用观测用户行为的符号规则筛选推荐系统中的负样本。方法按支持度、信息量与产品相关性对规则评分，再由大语言模型结合商业目标和领域知识进行解释，并与统计证据合并形成报告。基于论文摘要，工业 B2B 场景及三个公开数据集的候选质量 precision 高于所评估基线；在工业任务中，每个正例配四个负例时，符号选择使测试 PR-AUC 较随机选择提高 12.5%。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org