Aug, 2008

解决推荐系统中表观多样性 - 准确性两难问题

PDF
TL;DR介绍了一种针对推荐系统中推荐准确性和多样性的算法，通过将该算法与基于准确性的算法混合使用，能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。
recommender systemsuser preferencealgorithmaccuracydiversity
发现论文，激发创造
  • 推荐系统中的用户公平性

    本文提出并探讨了用户公平性的概念，研究了两个多样化算法，发现仅追求多样性的推荐会导致用户间的不公平现象。

    Jul, 2018

  • 多样化推荐的分离表示

    本文提出了一个通用的推荐多样性框架，能在不牺牲精度的前提下实现商品类别的多样性，需要细致理解用户对商品的品质或预选属性的偏好，使用户表示与商品类别无关，通过改进模型能够在商品类别内改进用户分类喜好的建模与商品排序，通过实验证明了该模型对精度和多样性的提升。

    Jan, 2023

  • 一个关注公平性的混合推荐系统

    本研究提出使用基于概率编程语言的混合公平意识推荐系统，以多个用户 - 用户和物品 - 物品相似性度量、内容和人口统计信息实现高效准确的推荐，同时解决了推荐偏见问题。与最先进的公平推荐系统相比，实验结果表明，我们的模型可以提供更准确、更公平的推荐。

    Sep, 2018

  • 推荐系统中的偏差差异

    本研究在合成数据上进行了初步的实验研究，在不同条件下研究推荐系统如何表现出偏见失衡现象以及推荐的长期效果。我们考虑了一种简单的重新排名算法来减少偏见失衡，并对实际数据的数据失衡进行了一些观察。

    Nov, 2018

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 通过多样化偏好网络提高推荐匹配的准确性和多样性

    本论文提出了一种使用异构图神经网络的推荐系统匹配模块，以提高精度和多样性，通过使用基于邻域相似性的损失来平衡两者。

    Feb, 2021

  • 推荐系统中算法混淆如何增加同质性并降低效用

    利用模拟，本研究论证了使用已暴露于推荐算法的用户数据对建立或评估推荐系统会构成反馈循环，同化用户行为但不提高实用价值。

    Oct, 2017

  • DeepFair: 推荐系统中提升公平性的深度学习

    提出了一种基于深度学习协同过滤算法的推荐系统，实现了公平和准确度之间的最佳平衡，无需知道用户的人口统计信息。实验结果表明，可以在不失去大部分准确度的情况下进行公平的推荐。

    Jun, 2020

  • 图探索很重要：在微信信息流推荐中提高个体和系统多样性

    提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

    May, 2023

  • CAViaR: 上下文感知视频推荐

    提出了一种通过建模低多样性对用户对个别项目的参与度影响以调整项目得分来实现多样性和相关性均衡的新方法，该方法可插入现有的大规模推荐系统，具有显著的性能提高。

    Apr, 2023