arXiv cs.AI· Shreya Rajpal, Sonia Sharma, Swapnil Parekh, Lisa Li, Jeyendran Balakrishnan, Nagaraj Janardhana, Andrew Mattarella-Micke·· 5 小时前AI 评分22
推荐系统中的可解释隐式负样本发现：Evidence Before Sampling
Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation
AI 导读
研究者提出"隐式负候选发现"方法，用符号规则编码用户行为模式，按支持度、信息量和产品相关性打分排序，再由 LLM 结合业务目标与领域知识解读规则，最终报告融合统计证据与 LLM 解读。在工业 B2B 场景和五个公开推荐数据集上，该方法候选质量精度高于所评估基线，符号选择使工业任务下游测试 PR-AUC 较随机选择提升 12.5%（每正样本四个负样本）。
来源：arXiv cs.AI · arxiv.org