Oct, 2012

跨领域推荐的选择性迁移学习

PDF
TL;DR该研究论文提出一种基于经验预测误差和方差的新标准，用于更好地捕捉协同过滤设置中跨领域的一致性，从而在提高评分预测精度方面显著改进了几项最先进的方法。
collaborative filteringsparse dataknowledge transferboosting frameworkrating prediction
发现论文，激发创造
  • 多领域协同过滤

    本文介绍了多向领域协同过滤问题，通过概率矩阵分解模型不仅考虑了数据稀疏性问题，还能在不同领域自适应地传递知识，实验表明其在实际应用中的有效性。

    Mar, 2012

  • 基于邻域特征映射的冷启动用户跨领域推荐

    本文提出了一种名为 CDLFM 的模型，使用相似性度量和邻域梯度提升树方法，解决了跨领域协作式过滤（CDCF）中冷启动用户的问题，并通过实验证明了其在两个真实数据集上的优越性。

    Mar, 2018

  • Transfer Meets Hybrid: 跨领域文本协同过滤的合成方法

    该论文介绍了一种使用神经模型实现跨领域推荐的方法，该方法结合协同过滤、混合过滤和迁移学习等技术。该方法使用记忆模块和转移网络从非结构化文本中提取有用内容并选择性地转移知识，实现了端到端的处理，并在实际数据集上取得了更好的推荐效果。

    Jan, 2019

  • 基于上下文不变量的迁移学习用于一对多跨领域推荐

    文中介绍了一种基于神经层的跨领域推荐系统学习方法，使用共享组件来指导神经协同过滤器，通过学习稀疏交互数据中的用户和项目表示来实现推荐功能。

    May, 2020

  • 推荐系统的协作深度学习

    本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

    Sep, 2014

  • 协同过滤的高效数据特定模型搜索

    本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

    Jun, 2021

  • 跨领域协作迁移学习框架的推荐

    该研究提出了一种基于协作跨域迁移学习框架（CCTL）的解决方案，可用于推荐系统中不同商业域中的广告点击率（CTR）预测建模，并成功应用于美团，提高了 CTR 和 GMV 的表现。

    Jun, 2023

  • 打破负迁移之谜：跨领域序列推荐的合作博弈论方法

    这篇论文研究了多领域顺序推荐（CDSR）的问题，提出了一种新的 CDSR 框架来解决负迁移问题，并使用合作博弈论来估计领域对模型性能的边际贡献，以及引入层次对比学习方法来缓解负迁移。通过在两个真实数据集中跨十个不同领域进行实验，证明了我们的模型在模型性能上优于之前的研究成果。

    Nov, 2023

  • CoNet: 协作交叉网络用于跨领域推荐

    本研究提出一个基于神经网络的转移学习方法，通过引入 CoNet（协作交叉网络）来实现跨领域推荐，其中隐藏层连接的交叉映射使增加了双向知识转移能力，模型在两个大型真实世界数据集上进行了广泛评估，并相对于基准模型提高了 7.84％的精度，同时证明了选择适当的特征表示对性能至关重要。

    Apr, 2018

  • 基于分布式表示的混合推荐系统与短物品描述

    本文提出了一种基于文本向量表示的协作过滤算法，用于在获取商品评分困难的情况下进行推荐，并与现有的算法进行了对比验证其有效性。

    Mar, 2017