腾讯推荐系统突破：用户偏好智能挖掘能力详解

首页

科技数码

热心网友

转载

2026-03-13

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

这项由腾讯公司研究团队完成的突破性研究发表于2026年，论文编号为arXiv:2602.10699v1。有兴趣深入了解技术细节的读者可以通过该编号查询完整论文。

当你打开购物App或短视频平台时，系统推荐给你的内容往往都很相似——要么是当下最热门的商品，要么是和你之前购买过的东西差不多的产品。这就像一个只会推荐畅销书的书店店员，虽然安全稳妥，但你永远发现不了那些可能更适合你的小众好书。

腾讯的研究团队发现了现有推荐系统的一个根本问题：这些AI系统就像一个过分谨慎的导购员，总是优先推荐那些"看起来最可能被接受"的商品，而忽略了那些可能更符合你真实需求、但初看不那么热门的选择。这种现象在学术界被称为"概率-奖励错配"问题，简单来说就是AI认为"受欢迎的"和"真正好的"是一回事，但实际上并非如此。

为了解决这个问题，研究团队开发了一套名为V-STAR的全新推荐框架。这个名字代表"价值引导的采样和树结构优势强化"，听起来很技术化，但它的核心思想其实很直观：让AI学会在预算有限的情况下，把计算资源花在最有价值的地方，就像一个聪明的投资者知道把钱投在哪里能获得最大收益。

一、现有推荐系统的两大痼疾

要理解V-STAR的创新之处，我们首先需要了解现有推荐系统存在的两个核心问题，这些问题就像两个相互关联的恶性循环，让推荐质量始终难以提升。

第一个问题可以比作"热门偏见陷阱"。想象你在一个巨大的图书馆里寻找好书，而图书管理员只愿意带你去最热门的畅销书区域。每当你想探索其他区域时，管理员就说"那些书太冷门了，大多数人都不喜欢，我们还是看看这些热门的吧"。久而久之，你只能接触到那些已经很受欢迎的书，而那些可能更适合你个人品味的小众好书永远不会被发现。

现有的推荐系统正是这样工作的。它们使用一种叫做"束搜索"的技术来生成推荐列表，这种方法本质上是根据商品的历史受欢迎程度来筛选候选项。系统会计算每个商品的"可能性分数"，然后优先选择分数高的商品继续深入推荐。这就像一个只看销量排行榜的书店店员，虽然推荐的书确实不会太差，但你永远不会遇到那些销量不高却可能改变你人生的好书。

更糟糕的是，这种筛选过程是"不可逆"的。一旦系统在早期步骤中抛弃了某个看似不受欢迎的商品类别，后续的所有推荐都不会再考虑这个类别，即使这个类别中可能有非常适合你的商品。这就像图书管理员在你刚进门时就决定不带你去科幻小说区，哪怕那里可能有你最喜欢的书。

第二个问题被研究团队称为"优势压缩"，这个现象更加微妙但同样严重。继续用图书馆的比喻，假设管理员最终为你挑选了10本书，但这10本书都来自同一个书架的相邻位置，题材相似、风格相近。虽然每本书都还不错，但它们之间的差异很小，你很难从中学会如何区分真正的好书和普通书籍。

在推荐系统中，由于算法倾向于选择相似的高概率商品，生成的推荐列表往往被"兄弟商品"占据——这些商品通常属于同一品类，有着相似的特征和相近的用户评价。当系统试图从这些相似商品的用户反馈中学习时，就会遇到一个数学问题：由于所有商品的得分都很接近，系统很难识别出哪个商品真正更好，学习信号变得非常微弱。

这就像一个老师在批改10份几乎完全相同的作业，所有作业的分数都在85-90分之间。在这种情况下，老师很难从中总结出"什么样的作业更好"的经验，因为差异太小了。但如果作业的分数跨度从60分到95分，老师就能清楚地看出优秀作业和普通作业之间的差异，从而积累更有价值的教学经验。

这两个问题相互强化，形成了一个恶性循环。热门偏见导致推荐商品过于相似，而商品的相似性又让系统无法有效学习，进而加剧了对热门商品的依赖。研究团队意识到，要打破这个循环，需要从根本上改变推荐系统的工作方式。

二、V-STAR：一个全新的推荐思路

V-STAR框架的核心理念可以用"精明投资"来比喻。想象你是一个投资经理，手中有有限的研究预算，需要在众多投资机会中找出最有潜力的项目。一个糟糕的投资经理会把大部分预算花在调研那些已经很热门的大公司股票，虽然稳妥但收益有限。而一个精明的投资经理会把预算集中投入到那些"高潜力且存在不确定性"的项目上——这些项目如果研究透彻，可能带来巨大收益。

V-STAR正是基于这样的思路设计的。它不再像传统系统那样盲目地把计算资源分散到所有可能的商品上，而是学会识别哪些商品值得深入探索，然后把有限的计算预算集中投入到这些"决定性节点"上。

这个框架由两个相互配合的核心组件构成，就像一个高效团队的两个关键成员。第一个组件叫做"价值引导高效解码"（VED），它的作用就像一个经验丰富的侦探，能够快速识别出哪些线索值得深入调查。第二个组件叫做"兄弟节点GRPO"，它的作用像一个优秀的教练，能够从相似情况的对比中提取出最有价值的学习信号。

价值引导高效解码的工作原理可以这样理解：系统首先对所有可能的推荐路径进行一次快速扫描，就像侦探在案发现场进行初步勘察。在这个过程中，系统会为每个可能的推荐方向计算两个关键指标：第一个是"价值潜力"，即这个方向最终可能带来多高的用户满意度；第二个是"不确定性"，即系统对这个方向的判断还有多少疑问。

只有同时具备高价值潜力和高不确定性的方向才会被系统选中进行深入探索。这个选择标准很有道理：如果一个方向价值潜力很高但不确定性很低，说明系统已经对它了解得很充分，不需要花费额外的计算资源；如果价值潜力很低，那么无论多么不确定都不值得深入研究；只有那些既有高价值潜力又存在高不确定性的方向，才值得系统投入宝贵的计算预算去深入探索。

兄弟节点GRPO则解决了传统学习方法的另一个问题。在传统方法中，系统会把所有推荐商品放在一起进行比较学习，这就像把来自不同年级、不同科目的学生作业放在一起评分，很难得出有意义的结论。兄弟节点GRPO的创新之处在于，它会把那些具有相似特征的商品分组，然后专门从组内的细微差异中学习。

这种分组学习的效果非常显著。比如说，在传统方法中，系统可能无法区分两个相似的电子产品哪个更好，因为它们的整体评分都差不多。但在兄弟节点GRPO的方法中，系统会专门关注这两个产品之间的细微差异，从而学会识别真正重要的品质差异。这就像一个葡萄酒专家能够从两款看似相似的红酒中品出细微但重要的差异。

三、让AI学会"价值判断"的技术突破

要让推荐系统学会识别商品的真正价值，而不仅仅是受欢迎程度，研究团队首先需要解决一个基础问题：如何训练一个"价值评估器"。这个过程可以比作训练一个艺术品估价师，需要让AI学会预测每个商品在特定用户情境下的真正价值。

传统的训练方法面临一个困难：用户只会对最终购买或互动的商品给出明确的反馈（比如评分或购买行为），但对于推荐过程中的中间步骤，系统很难获得直接的反馈信号。这就像训练一个象棋选手，但只告诉他最终是输是赢，而不告诉他每一步棋的好坏。

研究团队的解决方案非常巧妙，他们开发了一种"语义感知密集监督"方法。这个方法的核心思想是利用商品的描述信息来构建中间步骤的反馈信号。具体来说，系统会先为每个商品生成一个"语义指纹"——这个指纹包含了商品的各种特征信息，就像人的指纹能够唯一标识一个人一样。

当系统在推荐过程中考虑某个商品时，它会计算这个商品的语义指纹与用户真正喜欢的商品指纹之间的相似度。相似度越高，说明这个推荐方向越有价值，系统就会给出更高的价值评分。这样，即使用户没有对中间步骤给出直接反馈，系统也能通过语义相似度推断出每个推荐步骤的价值。

这个训练过程使用了一种叫做"时序差分学习"的技术，它的工作原理类似于人类学习下棋的过程。当一个象棋初学者走了一步棋时，经验丰富的教练能够立即告诉他这步棋的好坏，而不需要等到整局棋结束。系统通过不断比较相邻步骤之间的价值差异来学习，逐渐建立起对商品价值的准确判断能力。

价值评估器训练完成后，系统就具备了识别"值得深入探索的商品"的能力。但仅仅有价值判断还不够，系统还需要学会在有限的计算预算下做出最优的探索决策。这就是价值引导高效解码技术要解决的问题。

这个解码过程可以想象成一个探险队在未知地形中寻找宝藏。探险队长（价值评估器）能够判断不同方向的宝藏可能性，但探险队的资源有限，不可能同时探索所有方向。因此，队长需要制定一个探索策略：优先探索那些既有高宝藏可能性又存在不确定性的方向。

系统的探索策略基于一个精心设计的"优先级评分公式"。这个公式综合考虑了两个因素：预期价值和策略不确定性。预期价值反映了某个推荐方向最终可能带来的用户满意度，而策略不确定性则衡量了系统对下一步选择的把握程度。

不确定性的引入特别重要，它防止系统过度开发已经很确定的方向。比如说，如果系统已经非常确信某个商品类别是用户的最佳选择，那么继续在这个方向上投入更多计算资源的边际收益就很低。相反，如果系统对某个高价值方向还存在疑问，那么投入额外的计算资源进行深入探索就很有必要。

探索过程采用了一种"门控扩展"机制，这个机制的作用类似于一个智能过滤器。系统不会盲目地扩展所有可能的推荐路径，而是只对那些优先级评分超过平均水平的路径进行扩展。这确保了宝贵的计算资源始终集中在最有希望的方向上。

整个价值引导解码过程就像一个不断学习和调整的动态系统。每当系统发现一个新的有价值商品时，它会更新自己对整个推荐空间的理解，并相应调整后续的探索策略。这种自适应特性让系统能够在复杂多变的推荐环境中始终保持高效的探索能力。

四、从相似中发现差异的学习艺术

解决了商品价值评估和高效探索的问题后，V-STAR还需要面对另一个挑战：如何从大量相似的推荐商品中提取有价值的学习信号。这个问题的难点在于，正如前面提到的，现代推荐系统生成的候选商品往往高度相似，传统的学习方法很难从中区分出真正的优劣差异。

研究团队开发的兄弟节点GRPO技术，其核心思想可以用"精细品鉴"来比喻。想象一个葡萄酒品鉴师在评价来自同一产区、同一年份的多款红酒。虽然这些红酒在外行人看来可能差别很小，但经验丰富的品鉴师能够从细微的差异中识别出品质的高低。关键在于，品鉴师不会把这些红酒与威士忌或白兰地进行比较，而是专门在红酒这个细分类别内部寻找差异。

兄弟节点GRPO采用了类似的策略。它首先识别出推荐列表中的"兄弟商品组"——这些商品具有相同的类别前缀或相似的特征路径。然后，系统专门在每个兄弟组内部进行比较学习，而不是在整个推荐列表上进行粗粒度的比较。

这种分组比较的优势可以通过一个具体例子来说明。假设系统为用户推荐了10个商品，其中4个是电子书阅读器，3个是平板电脑，3个是智能手机。在传统方法中，系统会把所有10个商品放在一起比较，试图学习用户更喜欢哪类产品。但由于不同类别商品之间的差异太大，这种比较往往无法得出精确的结论。

兄弟节点GRPO则会分别在每个商品类别内部进行比较。它会专门比较4个电子书阅读器之间的细微差异，学习用户在选择阅读器时更看重哪些特性；同时分别比较平板电脑和智能手机内部的差异。这种精细化的比较能够提取出更有价值的用户偏好信息。

技术实现上，兄弟节点GRPO为每个商品类别构建了独立的"相对优势"评分系统。这个系统不关心某个商品在全局范围内的表现如何，而是专门关注它在同类商品中的相对表现。这就像一个班级里的学习排名，重要的不是某个学生的绝对分数，而是他在班级内的相对位置。

相对优势的计算过程体现了这种精细化比较的核心思想。对于每个兄弟商品组，系统会计算组内所有商品的平均表现和标准差，然后基于这个局部统计信息来评估每个商品的相对优势。这种局部归一化的方法确保了即使在商品高度相似的情况下，系统仍然能够识别出有意义的差异信号。

更重要的是，兄弟节点GRPO的学习目标直接针对"分支决策点"进行优化。在推荐系统的决策树中，真正重要的是那些让用户在相似选项之间做出选择的关键节点。比如说，当用户已经决定购买电子书阅读器时，系统最需要学会的是如何在不同品牌和型号之间做出推荐，而不是如何在阅读器和手机之间做选择。

这种针对性的学习策略让系统能够在相似度很高的商品中发现真正重要的差异化因素。经过训练的系统不仅知道用户可能喜欢电子产品，还知道用户在选择电子产品时更看重性能、外观还是价格。这种细粒度的用户偏好理解是提高推荐质量的关键。

五、自我进化的推荐系统

V-STAR最令人印象深刻的特性是它的自我进化能力。这个系统不是一个静态的推荐工具，而是一个能够在使用过程中不断改进的智能系统。这种进化机制可以比作一个经验越来越丰富的个人购物顾问，随着对客户了解的加深，推荐质量会持续提升。

这种自我进化体现在训练过程的闭环设计中。价值引导高效解码组件和兄弟节点GRPO组件形成了一个相互促进的学习循环。更好的商品探索策略能够生成质量更高、多样性更强的推荐候选集，而这些高质量的候选集又为系统学习算法提供了更丰富、更有价值的训练信号。

具体来说，当价值引导解码发现了新的有价值商品类别时，这些发现会被纳入到下一轮的训练数据中。兄弟节点GRPO从这些新数据中学习到更精确的用户偏好模式，然后将这些学习成果反馈给价值评估器，使其能够更准确地判断商品价值。改进后的价值评估器又能指导解码组件做出更好的探索决策，从而发现更多有价值的推荐机会。

这个自我强化的循环过程让V-STAR具备了持续学习的能力。不同于传统的推荐系统需要定期重新训练，V-STAR能够在日常运行中不断积累经验和改进性能。这就像一个优秀的销售员通过每次与客户的互动来完善自己的销售技巧。

在实际部署中，研究团队还考虑了训练效率和服务性能之间的平衡。训练阶段使用完整的V-STAR框架，包括价值引导解码和兄弟节点学习，以充分利用所有可用的学习信号。但在实际服务用户时，系统可以选择使用更简单的解码策略（如传统的束搜索），以确保响应速度满足实时性要求。

这种训练与服务分离的设计哲学体现了研究团队的实用主义态度。他们认识到，在实际的商业环境中，推荐系统既要有优秀的推荐质量，也要有可接受的响应速度。V-STAR通过在训练阶段投入更多计算资源来提高模型质量，然后在服务阶段使用经过优化的简化版本来保证用户体验。

当然，对于那些对推荐质量有更高要求的应用场景，V-STAR也支持在服务阶段使用完整的价值引导解码。研究团队的实验表明，即使在有限的计算预算下，价值引导解码也能显著提高推荐的多样性和长尾商品的覆盖率，这对于希望帮助用户发现新商品的电商平台来说特别有价值。

六、真实世界的验证与成果

为了验证V-STAR的实际效果，研究团队进行了全面的实验验证，这些实验既包括在标准学术数据集上的离线测试，也包括在真实商业环境中的在线测试。实验结果展现了V-STAR相对于现有技术的显著优势。

在离线测试中，研究团队使用了Amazon产品评论数据集的两个子集：工业产品和办公用品。这些数据集包含了真实用户的历史交互记录，为系统提供了接近真实场景的测试环境。测试任务是根据用户的历史行为预测他们接下来最可能感兴趣的商品。

实验结果显示，V-STAR在各项指标上都实现了显著提升。以命中率（HR@3）为例，这个指标衡量的是推荐的前3个商品中是否包含用户真正感兴趣的商品。在工业产品数据集上，V-STAR相比最强的基线方法MiniOneRec提升了4.0%；在办公用品数据集上，提升幅度更是达到了10.4%。

这些数字背后的含义非常重要。4.0%到10.4%的提升意味着，在每100次推荐中，V-STAR能够比现有最好的方法多成功推荐4到10个用户真正感兴趣的商品。对于一个每天服务数百万用户的推荐系统来说，这种改进能够带来数万次额外的成功推荐，直接转化为用户满意度和商业价值的提升。

更重要的验证来自于真实的商业环境测试。研究团队在微信视频号平台上进行了为期5天的A/B测试，测试涉及5%的真实用户流量。他们选择了GMV（总商品交易额）作为主要评估指标，这是电商和广告平台最关心的商业指标之一。

在线测试的结果令人鼓舞。V-STAR相比传统的束搜索+GRPO基线方法，在GMV上实现了1.23%的相对提升，在优化点击和转化的广告GMV上实现了1.87%的提升。虽然这些数字看起来不大，但在如此大规模的商业环境中，1%到2%的提升已经代表了巨大的商业价值。

为了更深入理解V-STAR的优势来源，研究团队还进行了详细的消融实验。这些实验分别测试了价值引导解码和兄弟节点GRPO各自的贡献。结果显示，价值引导解码主要提高了推荐的多样性和长尾商品的覆盖率，而兄弟节点GRPO则主要改善了学习效率和推荐精度。

特别有趣的是关于候选集多样性的分析。研究团队发现，V-STAR生成的推荐候选集不仅在SID空间中具有更高的多样性（多样性分数从传统束搜索的0.7949提升到0.8167），同时还保持了更高的最大奖励值（从0.2303提升到0.2475）。这证明了V-STAR确实实现了多样性和质量的双重提升，而不是以质量换取多样性。

研究团队还通过案例分析展示了V-STAR的实际工作效果。在一个办公用品推荐的例子中，用户的历史购买记录包括铅笔刨、明信片、泡沫信封等商品，真实需要的商品是一台数字秤。传统的束搜索方法由于过度依赖历史购买模式，推荐的10个商品中有6个都是与历史购买商品相似的文具用品，完全错过了用户的真实需求。而V-STAR通过价值引导探索，成功发现并推荐了数字秤这一目标商品。

七、技术创新的深层意义

V-STAR的成功不仅仅在于它在推荐质量上的提升，更重要的是它代表了推荐系统技术发展的一个重要方向转变。这种转变可以概括为从"概率驱动"向"价值驱动"的范式转换。

传统的推荐系统本质上是基于统计学的工具，它们通过分析大量历史数据来预测用户行为的概率分布。这种方法的优势是稳定可靠，但缺点是容易陷入"历史重复"的陷阱——系统倾向于推荐那些历史上表现良好的商品，而难以发现新的机会。

V-STAR引入的价值驱动范式则更接近人类决策的思维模式。人类在做决策时不仅会考虑某个选项的历史成功率，还会评估它在当前情境下的潜在价值。比如说，一个经验丰富的投资顾问在为客户推荐投资产品时，不会仅仅基于产品的历史表现，还会考虑客户的具体需求、市场的当前状况以及产品的未来潜力。

这种价值驱动的方法在技术实现上需要解决几个关键挑战。首先是价值评估的准确性问题：如何训练一个能够准确预测商品在特定情境下价值的模型？其次是探索效率问题：如何在有限的计算资源下有效地探索价值空间？最后是学习信号的提取问题：如何从高度相似的候选商品中提取有价值的学习信号？

V-STAR通过语义感知的价值模型、预算约束下的价值引导探索以及兄弟节点相对学习，系统性地解决了这些挑战。这种解决方案的完整性和有效性，使得V-STAR不仅是一个工程上的改进，更是推荐系统理论框架的一个重要发展。

从更广阔的视角来看，V-STAR的技术创新还体现了人工智能领域的一个重要趋势：从模仿人类行为向理解人类需求的转变。早期的推荐系统主要通过模仿用户的历史行为来生成推荐，这种方法虽然能够达到一定的准确性，但往往缺乏深度和洞察力。

V-STAR通过引入价值评估和不确定性量化，让推荐系统具备了更类似人类的思考能力：它不仅知道用户过去喜欢什么，还能推理用户可能需要什么，甚至能够识别出用户自己都没有意识到的潜在需求。这种能力的获得标志着推荐系统从简单的行为预测工具向智能决策助手的重要进化。

这种技术进步的影响将远远超出推荐系统的范畴。价值引导的探索策略可以应用到任何需要在大规模搜索空间中找到最优解的问题上，包括药物发现、材料设计、金融投资等领域。兄弟节点相对学习的思想也可以推广到其他需要从相似样本中提取差异信号的机器学习任务中。

八、面向未来的思考与展望

V-STAR的成功提出了几个值得深入思考的问题，这些问题不仅关系到推荐系统技术的未来发展，也涉及到人工智能与人类社会交互的更深层次问题。

第一个问题是关于推荐多样性与商业效率之间的平衡。V-STAR通过价值引导探索显著提高了推荐的多样性，帮助用户发现更多长尾商品。这种能力对于丰富用户体验、促进商品生态多样性具有重要意义。然而，从商业角度来看，推广长尾商品往往意味着更高的营销成本和更低的短期转化率。如何在满足用户长期利益的同时保证商业可持续性，是推荐系统设计者需要持续探索的问题。

第二个问题涉及到推荐系统的可解释性。V-STAR通过复杂的价值评估和探索机制做出推荐决策，虽然效果优异，但其决策过程相对不透明。用户很难理解系统为什么推荐某个商品而不推荐另一个。随着人们对算法透明度要求的提高，如何在保持推荐质量的同时提供清晰的解释，成为一个重要的研究方向。

第三个问题关于推荐系统的社会影响。V-STAR这样的高级推荐系统具有很强的引导用户行为的能力，它们的推荐决策可能会影响社会的消费模式、文化传播甚至价值观念。如何确保这些系统的影响是积极的，如何避免算法偏见和过度商业化，是技术开发者和政策制定者需要共同考虑的问题。

从技术发展的角度来看，V-STAR代表了推荐系统向更智能化方向发展的一个重要里程碑。未来的推荐系统可能会具备更强的推理能力，不仅能够理解用户的显性需求，还能洞察用户的潜在需求甚至帮助用户发现新的兴趣点。这种能力的实现需要推荐系统与自然语言处理、知识图谱、因果推理等技术的深度融合。

另一个值得关注的发展方向是推荐系统的个性化程度。V-STAR通过价值评估实现了对用户偏好的更精确建模，但仍然主要基于行为数据进行推理。未来的系统可能会整合更多维度的用户信息，包括情感状态、生活情境、社交关系等，从而提供更加贴合用户真实需求的个性化服务。

随着计算能力的不断提升和算法技术的持续发展，我们有理由相信，像V-STAR这样的智能推荐系统将在帮助人们发现有价值内容、提升生活质量方面发挥越来越重要的作用。同时，我们也需要保持理性和审慎，确保这些技术的发展始终以人类福祉为最终目标。

说到底，V-STAR不仅仅是一个技术创新，它更像是人工智能如何更好地理解和服务人类需求的一个探索案例。通过学会在有限资源下做出价值驱动的决策，通过学会从细微差异中提取重要信号，V-STAR展示了人工智能系统向更高层次智能进化的可能性。这种进化的最终目标不是替代人类的判断，而是增强人类发现和选择的能力，帮助我们在这个信息爆炸的时代中找到真正有价值的内容和机会。

正如腾讯研究团队在论文中所展示的，真正优秀的推荐系统应该像一位既懂得用户历史偏好又能预见未来需求的智慧顾问。它不会把你局限在过去的选择中，而是帮助你发现更广阔的可能性。V-STAR朝着这个目标迈出了重要的一步，为我们描绘了一个更智能、更有洞察力的推荐系统未来。有兴趣了解更多技术细节的读者，可以通过论文编号arXiv:2602.10699v1查询完整的研究报告。

Q&A

Q1：V-STAR框架是什么？

A：V-STAR是腾讯团队开发的新型推荐系统框架，全称"价值引导采样和树结构优势强化"。它通过两个核心技术解决传统推荐系统的问题：一是价值引导高效解码，让系统智能分配计算资源到最有价值的商品探索上；二是兄弟节点GRPO，专门从相似商品的细微差异中学习用户真实偏好。

Q2：V-STAR如何解决推荐系统只推热门商品的问题？

A：V-STAR通过"价值引导探索"突破了传统系统的热门偏见。它训练了一个价值评估器来判断商品的真正价值，而不仅仅看受欢迎程度。系统会把计算资源集中投入到那些"高价值但有不确定性"的商品上，这样就能发现那些可能很适合用户但历史上不够热门的商品，就像发现被埋没的好书一样。

Q3：普通用户能感受到V-STAR带来的改变吗？

A：能明显感受到。V-STAR最直观的改变是推荐商品变得更加多样化，不再总是推荐同类型的热门商品。用户更容易发现符合个人需求的小众好物，推荐列表中重复性商品减少。在微信视频号的实际测试中，V-STAR帮助用户找到更适合的商品，交易成功率提升了1-2%，这意味着用户更容易买到真正想要的东西。

来源:https://www.163.com/dy/article/KNTO3M9T0511DTVV.html

免责声明：游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

上一篇：下周首发太空算力卫星：追踪计算新纪元开启下一篇：哈佛大学与广研院发现：模型权重管理决定AI学习能力上限