可解释隐式负候选筛选提升推荐效果

研究者提出面向推荐系统负样本选择的可解释隐式负候选发现方法；基于论文摘要，该方法在工业B2B场景及三个公开数据集上的候选precision均高于所评估基线，工业任务中每个正例配四个负例时，测试PR-AUC较随机选择提高12.5%。 方法先用观测用户行为构建并筛选符号规则，再按支持度、信息量和产品相关性评分，由大语言模型结合商业目标与领域知识解释规则，并将解释与统计证据合并成报告。上述效果目前仅见于论文摘要所述实验。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。