Stacking Outperforms in Debiased Neural Collaborative Filtering: A Comparative Study of IPS-Weighted NCF and Tree-Based Models for Exposure-Biased CTR Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent developments in recommender systems have increasingly employed deep learning methodologies to confront long-standing challenges, including the modeling of intricate user–item interactions, the incorporation of temporal dynamics, and the mitigation of exposure bias. This study reviews and extends insights from four representative approaches. First, the Convolutional Transformer Neural Collaborative Filtering (CTNCF) model combines convolutional neural networks with Transformer architectures to capture both localized and long-range dependencies within user–item representations, thereby surpassing the performance of conventional Neural Collaborative Filtering (NCF). Second, the Neural Tensor Factorization (NTF) framework advances classical tensor factorization by embedding recurrent and multilayer neural components, enabling the representation of time-varying preferences and nonlinear interactions among latent factors. Third, the Deep Interest Network (DIN) introduces a local activation mechanism that adaptively models user interests in click-through rate prediction, effectively overcoming the limitations of fixed-length embeddings in capturing heterogeneous behavioral patterns; notably, this model has been deployed at scale in industrial advertising contexts. Finally, recent work addressing de-exposure bias in NCF incorporates reward signals derived from the LinUCB algorithm into the neural recommendation process, thereby enhancing both fairness and predictive accuracy by increasing the visibility of underexposed items. Taken together, these contributions illustrate the progression of neural recommender systems from static factorization paradigms toward dynamic, adaptive, and fairness-oriented frameworks, offering both theoretical contributions and practical value for the design of large-scale recommendation platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle