Um paper propõe amostragem self-supervised de negativos difíceis para recomendação two-tower, usando clusters de itens derivados de LLM para gerar exemplos em tempo real.
O paper propõe uma técnica self-supervised de hard negative sampling para modelos two-tower de recomendação. Ela usa clusters de itens derivados de LLM para gerar negativos mais difíceis em tempo real. O objetivo é lidar com uma limitação do negative sampling padrão em retrieval de larga escala; o resumo não informa métricas nem resultados quantitativos.
Para avaliar a proposta, consulte o paper original e confira nele o método, os experimentos e as limitações, sem presumir ganhos que não foram apresentados no resumo. Se usar IA para estudar ou aplicar o material, não envie dados pessoais ou informações organizacionais confidenciais sem autorização; verifique a política de privacidade e retenção aplicável.