recomendación

Todas las noticias con este tag · Estados Unidos.

Noticias por hora

Últimas 24 horas · hora argentina

Noticias por hora0123412:00: 013:00: 014:00: 015:00: 016:00: 017:00: 018:00: 019:00: 020:00: 021:00: 022:00: 023:00: 000:00: 001:00: 002:00: 403:00: 004:00: 005:00: 006:00: 007:00: 008:00: 009:00: 010:00: 011:00: 012:00: 012:0000:0012:00
Consultar los valores por hora
Noticias por hora, según la fecha de publicación. Horas de los extremos parciales.
HoraNoticias
2 nov 2026, 12:00 p. m.0
2 nov 2026, 1:00 p. m.0
2 nov 2026, 2:00 p. m.0
2 nov 2026, 3:00 p. m.0
2 nov 2026, 4:00 p. m.0
2 nov 2026, 5:00 p. m.0
2 nov 2026, 6:00 p. m.0
2 nov 2026, 7:00 p. m.0
2 nov 2026, 8:00 p. m.0
2 nov 2026, 9:00 p. m.0
2 nov 2026, 10:00 p. m.0
2 nov 2026, 11:00 p. m.0
3 nov 2026, 12:00 a. m.0
3 nov 2026, 1:00 a. m.0
3 nov 2026, 2:00 a. m.4
3 nov 2026, 3:00 a. m.0
3 nov 2026, 4:00 a. m.0
3 nov 2026, 5:00 a. m.0
3 nov 2026, 6:00 a. m.0
3 nov 2026, 7:00 a. m.0
3 nov 2026, 8:00 a. m.0
3 nov 2026, 9:00 a. m.0
3 nov 2026, 10:00 a. m.0
3 nov 2026, 11:00 a. m.0
3 nov 2026, 12:00 p. m.0

Noticias por día

Últimos 30 días, incluido hoy · hora argentina

Noticias por día0123405/10: 006/10: 007/10: 008/10: 009/10: 010/10: 011/10: 012/10: 013/10: 014/10: 015/10: 016/10: 017/10: 018/10: 019/10: 020/10: 021/10: 022/10: 023/10: 024/10: 025/10: 026/10: 027/10: 028/10: 029/10: 030/10: 031/10: 001/11: 002/11: 003/11: 405/1019/1003/11
Consultar los valores por día
Noticias por día, según la fecha de publicación. Hoy es parcial.
DíaNoticias
2026-10-050
2026-10-060
2026-10-070
2026-10-080
2026-10-090
2026-10-100
2026-10-110
2026-10-120
2026-10-130
2026-10-140
2026-10-150
2026-10-160
2026-10-170
2026-10-180
2026-10-190
2026-10-200
2026-10-210
2026-10-220
2026-10-230
2026-10-240
2026-10-250
2026-10-260
2026-10-270
2026-10-280
2026-10-290
2026-10-300
2026-10-310
2026-11-010
2026-11-020
2026-11-034

Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.

Noticias de recomendación

4 noticias · De más nuevas a más antiguas.

Distilación de auto-enseñanza consciente de la búsqueda con alineación de hermanos para recomendación generativa

Se propone un marco llamado SA-OPSD para mejorar la supervisión del entrenamiento en la recomendación generativa mediante la transferencia de conocimiento del auto-maestro a los estados visitados durante la búsqueda en haz del estudiante. Se introducen técnicas como el Muestreo de Límite Evolutivo y la Destilación de Rama Desacoplada por Confianza para manejar desafíos relacionados con la retención de estados y las preferencias de las ramas competidoras. Los experimentos realizados en diferentes dominios demuestran un fuerte rendimiento del método propuesto.

Noticia original

TRACER: Reasignación de Tokens para la Borrado de Conceptos en Recomendaciones Generativas

Se presenta TRACER, un marco de olvido de conceptos basado en la reasignación de tokens para sistemas de recomendación generativa. Este método busca eliminar conceptos sensibles de los ítems sin afectar negativamente la utilidad de la recomendación. Los experimentos demuestran que TRACER elimina los conceptos objetivo mientras preserva mejor la utilidad de la recomendación que los métodos existentes.

Noticia original

Pensar globalmente, generar personalmente: Pensamiento multi-vista con generación adaptativa para recomendación

Se presenta el marco MV-Thinker, un enfoque para la recomendación generativa basado en ID semántico (SID) que aborda problemas de modelado de contexto y adaptación personalizada. El método coordina vistas de historial completo y reciente para generar contextos complementarios y utiliza adaptadores residuales para transformar adaptativamente los estados del decodificador. Los experimentos demuestran que MV-Thinker supera a las líneas base existentes en métricas de clasificación.

Noticia original

RecGroupMemory: Memoria de Cohorte Sensible al Feedback para Recomendación en Comercio Electrónico

Se presenta RecGroupMemory, un flujo de trabajo que utiliza memoria de cohorte para la planificación de recomendaciones en comercio electrónico mediante LLMs. Este sistema permite actualizar la guía de decisión basándose en el feedback recibido, manteniendo la validez de las observaciones originales. Las pruebas mostraron aumentos en el número de usuarios de transacciones guiadas al incorporar la memoria con feedback.

Noticia original