基于贝叶斯的个性化排名算法:从隐式反馈中学习
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
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
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
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
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
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
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
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