A Deep Probabilistic Model for Customer Lifetime Value Prediction 
根据客户的属性和过去的购买行为，准确预测客户的未来生命周期价值（ltv），从而实现更加以客户为中心的营销策略。营销人员可以根据预测的生命周期价值将客户分为不同的类别，然后定制营销信息或广告文案，以更好地为不同细分市场的客户提供服务。此外，ltv预测可以直接为营销预算分配提供信息 ...
0 0 0 2025/04/22 arXiv:1912.07753v1 zw_fit
A Review-aware Graph Contrastive Learning Framework for Recommendation 
大多数现代推荐系统可以通过两个组件来预测用户的偏好：用户和项目嵌入学习，然后是用户 - 项目交互建模。通过利用辅助审核信息伴随着用户评分，许多现有的基于审核的建议模型丰富了用户/项目嵌入学习能力，具有历史评论或更好地建模的用户项目互动，并在可用的用户项目目标审查的帮助下。尽管已经取得了重大进展，但我们认为目前的基于审查建议的解决方案遭受了两个缺点 ...
0 0 0 2025/04/22 arXiv:2204.12063v4 fox
Learning from Reasoning Failures via Synthetic Data Generation 
关于合成数据的培训模型已成为改善生成AI性能的越来越重要的策略。由于与仅语言数据相比，高质量配对的图像文本数据的相对稀缺性相对稀缺，因此这种方法对大型多模型模型（LMM）特别有用。尽管已经提出了多种生成大型多模式数据集的方法，但它们并未量身定制合成数据来解决LMMS推理能力中的特定缺陷，这些缺陷将通过生成的数据集进行培训 ...
0 0 0 2025/04/22 arXiv:2504.14523v1 uaene
VL-Rethinker: Incentivizing Self-Reflection of Vision-Language Models with Reinforcement Learning 
最近，像GPT-O1和DeepSeek-R1这样的缓慢思考的系统在通过明确反思来解决具有挑战性的问题方面具有巨大的潜力。在各种数学和科学基准上，他们的表现极大地超过了最好的快速思维模型，例如GPT-4O。但是，它们的多模式推理能力与快速思维的模型相当 ...
0 0 0 2025/04/22 arXiv:2504.08837v1 aries_young
aries_young
Reinforcement Learning from Human Feedback 
从人类反馈中学习（RLHF）已成为部署最新机器学习系统的重要技术和讲故事工具。在这本书中，我们希望为具有一定程度的定量背景的人们轻柔地介绍核心方法。这本书始于RLHF的起源 - 无论是在最近的文献还是经济学，哲学和最佳控制方面的科学不同领域的融合中 ...
0 0 0 2025/04/22 arXiv:2504.12501v1 leec
Evaluation Report on MCP Servers 
随着LLM的兴起，自2024年底以来已经出现了大量的模型上下文协议（MCP）服务。但是，MCP服务器的有效性和效率尚未得到很好的研究。为了研究这些问题，我们提出了一个称为McPbench的评估框架 ...
0 0 0 2025/04/22 arXiv:2504.11094v2 huang_k
Massive Activations in Large Language Models 
我们在大型语言模型 (LLM) 中观察到一个经验现象——很少有激活表现出比其他激活显着更大的值（例如，大 100,000 倍） ...
0 1 0 2025/04/22 arXiv:2402.17762v2 Daenerays
CityLLaVA: Efficient Fine-Tuning for VLMs in City Scenario 
在城市环境的巨大而动态的景观中，交通安全描述和分析在从保险检查到预防事故的应用中起着关键作用。本文介绍了Cityllava，这是一个针对城市场景设计的视觉语言模型（VLM）的新型微调框架。 CityLlava通过（1）采用边界框来增强模型的理解和预测准确性，以进行最佳的视觉数据预处理，包括视频最佳视图选择和在培训和测试阶段期间的视觉及时及时工程； （2）构建简洁的问题解答序列并设计文本提示以完善教 ...
0 0 0 2025/04/22 arXiv:2405.03194v1 lunwenfanyi
lunwenfanyi

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）