提出隐式负样本候选发现方法
热点事件持续更新
提出隐式负样本候选发现方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月20日，arXiv Artificial Intelligence 刊出研究，Shreya Rajpal 等作者提出“隐式负样本候选发现”方法：用符号规则从已观测用户行为中筛出有证据支撑的未交互样本，再按支持度、信息量和产品相关性打分排序，并由 LLM 结合业务目标与领域知识解读规则。研究在工业 B2B 场景和五个公开推荐数据集上评估，称候选质量精度高于所评估基线；工业任务中，符号筛选使下游测试 PR-AUC 较随机选择提升 12.5%（每正样本四个负样本）。研究还表明，负样本候选有效性可与下游推荐性能分开评估。目前该工作处于论文发布阶段，尚无后续跟进报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月20日 12:00
Evidence Before Sampling：面向推荐系统的可解释隐式负样本候选发现报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv Artificial IntelligenceEvidence Before Sampling：面向推荐系统的可解释隐式负样本候选发现
研究提出“隐式负样本候选发现”方法，用符号规则从已观测用户行为中筛出有证据支撑的未交互样本，并按支持度、信息量和产品相关性打分排序，再由 LLM 结合业务目标与领域知识解读规则。在工业 B2B 场景和五个公开推荐数据集上，候选质量精度高于所评估基线；工业任务中符号筛选使下游测试 PR-AUC 较随机选择提升 12.5%（每正样本四个负样本）。结果表明负样本候选有效性可与下游推荐性能分开评估。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。