09:09官方账号arXiv cs.LG@Yotam Eshel, Guy Hadad, Guy Feigenblat, Yuri M. Brovman, Matt Gearhart, Bracha ShapiraDeepAffinity利用小型语言模型预测用户对产品品牌、尺寸、颜色等方面的长期偏好。该模型通过结构化提示和专用预测头进行微调,在基准测试中优于标准生成式微调方法。研究显示通用开源大模型缺乏任务特定调优时表现不佳,难以捕捉细微行为模式。该系统已在大型跨国电商平台提升推荐质量。论文DeepAffinitySLMs电商推荐推荐理由:DeepAffinity用小模型预测电商用户长期偏好,比大模型更精准,已落地提升推荐效果。原文稍后读已读值得跟进有用关注 DeepAffinity
09:08官方账号arXiv cs.LG@Akshay Kekuda, Shreeranjani Srirangamsridharan, Ishan Bhatt, Yanan Cao, Sinduja Subramaniam, Evren Korpeoglu, Kaushiki Nag, Kannan Achan研究使用生存模型替代传统二分类器,预测客户复购时间。在大型生鲜电商平台测试了30多种配置,发现边际风险率随时间递减(k≈0.9)。Log-Normal模型获得最佳排序性能,而Exponential AFT模型校准误差低至1e-4。单个AFT模型可替代3个二分类器,使用量减少约3倍。论文复购预测生存模型电商推荐推荐理由:电商推荐系统新方法:用生存模型替代多分类器,复购预测更准确且模型更轻量。原文稍后读已读值得跟进有用关注 复购预测