PR-entmax 损失函数缓解序列推荐流行度偏差，无需改架构
_reachsumit · x · 2026-10-14
论文提出 PR-entmax，一种稀疏先验正则化目标函数，用于缓解序列推荐系统中的流行度偏差。
- 方法源自广义变分原理，将物品流行度先验直接嵌入稀疏概率映射，使流行度校正随上下文变化
- 非零梯度只分配给上下文相关且流行度允许的物品，从而影响训练更新
- 只改损失函数即可接入现有训练管线，推理时移除先验项，按学习到的相关性排序
- 多个基准与架构实验表明，在保持或提升相关性的同时持续降低流行度偏差
「研究」频道最新
- 小鹏发布自动驾驶 VLA 模型 AUGUstus，NAVSIM 双榜 SOTA 并实车部署 12Hz — XPENG-AI · 2026-10-14
- 阿里联合南洋理工系统评测对比学习策略：多数花式技巧收效甚微 — alibaba-multimodal-industrial-ai · 2026-10-14
- Lightricks 推出 APEX：层级潜空间+异步去噪，实现 64-128 倍极致压缩 — Lightricks · 2026-10-14
- 2.2 万条基准数据显示:中国开源模型仅落后美国闭源模型 7 个月 — jakecoolguy · 2026-10-14
- EFF AI 进展指标库:追踪 AI 各子领域研究进展的老牌数据集 — robseamans · 2026-10-14
- Felten 团队经典方法:如何把 AI 进展量化映射到职业能力 — robseamans · 2026-10-14