深度分析
LoopFM:高頻寬知識蒸餾框架提升工業推薦系統效能
隨著基礎模型規模突破兆參數,傳統的標量蒸餾已無法有效傳遞知識。LoopFM透過將歷史嵌入結構化為VM輸入特徵,開啟高頻寬通道,於公開基準提升AUC超過6%,並在產線將轉換率提升最高1.22%。此框架含抽取、壓縮與結構化三階段,無需即時推論,解決特徵落差與頻寬瓶頸。
深度分析
隨著基礎模型規模突破兆參數,傳統的標量蒸餾已無法有效傳遞知識。LoopFM透過將歷史嵌入結構化為VM輸入特徵,開啟高頻寬通道,於公開基準提升AUC超過6%,並在產線將轉換率提升最高1.22%。此框架含抽取、壓縮與結構化三階段,無需即時推論,解決特徵落差與頻寬瓶頸。
推薦系統
本文建立一個資訊論化的理論框架,研究使用者與 AI 推薦助理在高維產品空間中的互動設計。使用者透過有成本且有噪音的訊息傳達偏好,AI 根據此訊息以貝氏後驗或經過優化傾斜的取樣分布產生推薦清單,清單大小可調以平衡包含高效用商品的機率與使用者的搜尋成本。