级联行为图个性化排序用于多行为推荐：三数据集实验

ACM Transactions on Intelligent Systems and Technology · 2026-11-12 · 期刊论文

• 一句话结论：结论方向：所提CascadingRank在三个真实数据集上优于现有方法，HR@10最高提升9.56%、NDCG@10最高提升7.16%；属方法性能比较结果，证据档位C，证据支持有限。
• 研究设计与做法：研究设计与做法：方法学研究，构建刻画浏览、加购、购买等行为级联序列的级联行为图，沿图分阶段计算个性化排序分数，每阶段以先前行为分数与查询偏好为条件；在三个真实世界数据集上开展大量实验，数据集规模与划分材料未报告。
• 主要结果：主要结果：相对当前最优方法的提升为HR@10最高9.56%、NDCG@10最高7.16%；置信区间与p值材料未报告。
• 机制或解释：机制或解释：作者认为表示学习方法受过度平滑与对高频交互偏置的限制，而图排序以查询相关方式直接细粒度个性化，级联阶段可捕捉行为特异影响。
• 局限与边界：局限与边界：实验限于三个真实数据集，离线指标未必反映线上效果；基线设置、消融与显著性检验细节材料未报告，利益冲突材料未报告。
• 可否落地：可否落地：提示图排序可作为多行为推荐的原则性方案，值得在更多场景复现验证；距临床或生产部署的实际含义不足以下结论，证据档位C。

🔗 打开原文

Geonwoo Ko, Minseo Jeon, Jinhong Jung

本文摘自《每日前沿研究简报 · 2026-11-14》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。