Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

OneLoc : Systèmes de recommandation générative géo-sensibles pour les services de la vie locale

Created by
  • Haebom

Auteur

Zhipeng Wei, Kuo Cai, Junda She, Jie Chen, Minghao Chen, Yang Zeng, Qiang Luo, Wencong Zeng, Ruiming Tang, Kun Gai, Guorui Zhou

Contour

Cet article propose OneLoc, un nouveau modèle de recommandation générative de bout en bout pour le système de recommandation de services de style de vie local de l'application Kuaishou. Contrairement aux modèles de bout en bout existants qui ne prennent en compte que les intérêts des utilisateurs, OneLoc prend en compte simultanément les intérêts des utilisateurs et les informations de localisation en temps réel pour formuler des recommandations. Pour y parvenir, nous proposons trois techniques (identification sémantique géo-sensible, auto-attention géo-sensible et invite de voisinage) qui exploitent les informations géographiques sous différents angles, ainsi que deux fonctions de récompense basées sur l'apprentissage par renforcement (récompense géographique et récompense GMV). OneLoc a été déployé sur l'application Kuaishou, qui dessert 400 millions d'utilisateurs actifs, et a enregistré des améliorations de performance de 21,016 % en GMV et de 17,891 % en nombre de commandes, respectivement.

Takeaways, Limitations

•
Takeaways:
◦
Nous avons validé l'efficacité d'un modèle de recommandation générative de bout en bout qui prend en compte simultanément les intérêts des utilisateurs et les informations de localisation en temps réel.
◦
Nous présentons de nouvelles techniques pour utiliser efficacement l’information géographique.
◦
Nous présentons une méthode permettant d’équilibrer efficacement plusieurs objectifs en utilisant l’apprentissage par renforcement.
◦
Il a été déployé dans des services réels et a permis d’obtenir des améliorations de performances significatives.
•
Limitations:
◦
Il manque une description détaillée de la structure et des paramètres spécifiques du modèle OneLoc.
◦
Une analyse comparative plus détaillée avec d’autres modèles de recommandation générative de bout en bout est nécessaire.
◦
Une analyse est nécessaire pour déterminer si les résultats peuvent être biaisés en faveur de régions ou de groupes d’utilisateurs spécifiques.
◦
Une évaluation du maintien et de la stabilité des performances dans une perspective à long terme est nécessaire.
👍
Made with Slashpage