机构名称：
¥ 1.0
•意大利巴里理工大学Yashar Deldjoo（deldjooy@acm.org）•Shuai Zhang，美国亚马逊网络服务AI（shuaizs@amazon.com）•伯恩德·路德维格，德国德国雷格斯堡大学（bernd.ludwig@ur.line.de） lina.yao@csiro.au）•新加坡南南技术大学的Aixin Sun（axsun@ntu.edu.sg）生成的推荐系统（Gen-recsys），由大语言模型（LLMS）和其他最新的生成性体系结构（例如，effifusion型模型）（例如，扩散模型），介绍了个性化的新方法。与返回物品标识符静态列表的传统管道不同，Gen-Recsys可以发明库存外的建议（例如，提出了新想象中的衣服），产生针对用户反馈的丰富文本解释（例如，多转化的多转化理性（例如，解决特定的critiques）的多转化理性），并从事构成对话的折叠对话。这些扩展的功能为增强用户体验提供了新的机会。除了这些机会之外，Gen-Recsys还提出了新的挑战和风险。在不受管制的Web数据中训练的模型可能会继承和扩大与性别，语言，宗教和其他敏感属性有关的偏见。这些系统可能会无意间提出不存在的项目（所谓的“项目幻觉”），产生私人或有偏见的信息，并通过说服力的文本改变用户的看法。经典的离线评估主要衡量固定库存上的预测精度，不适合量化生成产量的更广泛含义。本期有关推荐系统（TOR）的ACM交易特刊（TORS）邀请了原始研究，审查文章，方法论论文以及研究生成推荐系统（Gen-Recsys）的技术和社会维度的透视文章。提交可能关注算法发展，道德准则，用户研究或全面评估策略。我们鼓励手稿阐明现实世界的应用程序，新颖的数据集和跨学科合作。主题：我们欢迎对（但不限于）与Gen-Recsys相关的以下领域提交：●生成架构：gans，vaes，vaes，扩散模型，LLMS或多模式基础模型的集成到建议管道中；用于混合，特定于上下文的建议的检索授权生成（RAG）。●个性化内容和解释生成：生产以用户为中心的说明，文本评论，叙述或合成项目（例如，服装建议，合成媒体）的新方法。●数据稀疏和冷启动解决方案：诸如合成数据生成，传输学习或跨领域的方法，以减轻稀疏或新用户方案。●对话和交互式推荐人：多转对话，实时更新和基于LLM的代理，以完善查询并预测未来的交互。●可伸缩性和效率：减少推理潜伏期和资源需求（例如蒸馏，修剪）的方法，同时保留个性化。
请致电论文
主要关键词
相关文件推荐
