推荐系统的协作深度学习

Sep, 2014

Collaborative Deep Learning for Recommender Systems

Hao Wang, Naiyan Wang, Dit-Yan Yeung

TL;DR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。

Abstract

collaborative filtering (CF) is a successful approach commonly used by many recommender systems. Conventional CF-based methods use the ratings given to items by users as the sole source of information for learning to make recommendation. However, the ratings are often very sparse in ma

collaborative filtering auxiliary information collaborative topic regression deep learning hierarchical bayesian model

发现论文，激发创造

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

神经协同过滤

本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

Aug, 2017

深度社交协同过滤

本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

Jul, 2019

使用用户 - 项目共自回归模型的协同过滤

文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型，它可以处理大规模的协同过滤任务，并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。

Dec, 2016

神经协作推理

本文提出了一种新的协作推荐系统框架，即协作推理 (CR)，将学习和推理融为一体。该框架通过一种神经模块化的形式，将符号推理操作嵌入到基于神经网络的模型中，将逻辑表达式等价地组织为神经网络，从而实现了在连续空间中进行逻辑推理和预测。实验证明，与现有的浅层、深层和推理模型相比，本文提出的框架具有更好的推荐性能。

May, 2020

通过生成式用户反馈从稀疏数据中学习推荐

通过合成反馈循环 (CF-SFL) 来模拟用户反馈的学习框架提高传统协作过滤 (CF) 的推荐系统，能够以更好的结果在多个数据集上提升用户体验。

Oct, 2019

LCMR: 基于结构化文本的协同过滤中的本地化和集中式记忆

该研究提出了一种名为 LCMR 的神经框架，利用本地和集中记忆来处理内容信息和交互数据，以提高协同过滤推荐系统的性能，该方法在实际数据集上表现出较好的表现。

Apr, 2018

跨领域推荐的选择性迁移学习

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。

Oct, 2012

神经协同排名

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

基于协同过滤的具有物品依赖的课程推荐的两阶段模型

基于协同过滤模型的课程推荐引擎的提出与优化，解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战，并通过基于课程转换网络的图推荐器，实现了真实数据集 AUC 值高达 0.97。

Nov, 2023