May, 2012

基于贝叶斯的个性化排名算法：从隐式反馈中学习

PDF
TL;DR本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。
发现论文，激发创造
  • 去偏见的隐性反馈可解释的成对排名

    本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。

    Jul, 2021

  • 推荐系统中的对抗性个性化排序

    提出了一种名为 Adversarial Personalized Ranking（APR）的新的推荐模型优化框架，成功地通过对用户和物品的嵌入向量进行对抗训练，提高了模型的稳健性和泛化性能。在三个真实数据集上的实验证明，与 Bayesian Personalized Ranking（BPR）方法相比，该方法可以实现 11.2% 的相对改进，并在项目推荐方面实现了最新的性能，可用于实际推荐系统中。

    Aug, 2018

  • VBPR：使用隐式反馈的视觉贝叶斯个性化排序

    本文利用预先训练的深度神经网络提取商品图像的视觉特征，并在此基础上构建一个可扩展的因式分解模型，将视觉信号与人们的偏好相结合，从而提高了个性化推荐和排名的准确性，并缓解了 “冷启动” 问题。

    Oct, 2015

  • 基于先验知识的监督个性化排序推荐

    研究论文提出了一种新的监督个性化排序（SPR）损失函数，改进了常用的点级和对级损失函数的问题，通过利用先前的知识信息，构造 <用户、相似用户、正面项目、负面项目> 四元组，大大加快了收敛速度，提高了推荐性能。

    Jul, 2022

  • 利用观察数据优化贝叶斯个性化排名的采样器设计

    该研究提出了针对电子商务领域的负采样算法，使用用户的附加反馈来优化商品推荐模型，在两个真实数据集中相对于基础模型有着 37.03％和 16.40％的提升，同时采用了适合学习过程的用户定向加权策略，有针对性地调整商品排序，避免了不必要的负样本采样。

    Sep, 2018

  • 交叉成对排名用于无偏物品推荐

    本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。

    Apr, 2022

  • 将评论整合到个性化排名中以进行冷启动推荐

    该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。

    Jan, 2017

  • 基于位置模型的多臂赌博反馈排序学习

    本文介绍了一种基于多臂老虎机算法和位置点击模型的方法，用于解决线上系统中推荐排名的偏见问题，并在合成和实际数据集的离线和在线 A/B 测试中证明了该算法的有效性。

    Apr, 2020

  • 为下一篮推荐建模个性化物品频率信息

    通过对真实数据的分析，我们发现个性化商品频率（PIF）信息对于 Next-basket recommendation（NBR）至关重要，因此我们提出了一种基于最近邻的简单方法，可以直接利用这些关键信号，并通过四个公共真实数据集的评估证明这种方法通常优于现有的 NBR 方法 - 包括使用 RNN 的深度学习方法 - 当 PIF 关联的模式在数据中扮演重要角色时。

    May, 2020

  • 基于噪声标签稳健学习的隐式反馈数据采样器设计

    使用 Bayesian Point-wise Optimization 和 Matrix Factorization 等方法解决难以预测隐式反馈数据中用户偏好的问题，构建了一个噪声标签鲁棒的模型，从而有效提高了优化质量。

    Jun, 2020