AAAIOct, 2015

VBPR：使用隐式反馈的视觉贝叶斯个性化排序

PDF
TL;DR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。
recommender systemsvisual signalsfactorization modelpersonalized rankingdeep networks
发现论文，激发创造
  • 基于贝叶斯的个性化排名算法：从隐式反馈中学习

    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。

    May, 2012

  • 基于可解释图像表示的视觉感知个性化推荐

    本文提出了一种新颖的个性化服装推荐方法，该方法使用可解释的图像特征学习过程来解释用户对特定视觉属性和风格的偏好，并在个性化排名任务中实现了最先进的性能。

    Jun, 2018

  • 可视化说明的推荐系统

    本文提出了基于注意力神经网络的可视化解释推荐模型，这种模型可同时提供用户感兴趣的推荐结果和推荐理由，其关键在于模拟用户注意力，使用隐式反馈和文本评价进行监督学习。实验结果表明，所提出的模型不仅可提高推荐性能，还可以提供具有说服力的视觉解释。

    Jan, 2018

  • 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

  • 一种面向视觉感知推荐系统的黑盒攻击模型

    该论文研究了基于图像的协同过滤推荐系统中可能存在的视觉攻击，并提出了一种新的视觉攻击模型，该模型可以有效地影响推荐系统中商品的排名，并证明了该攻击模型可以在不了解模型参数的情况下，通过对商品图像进行微小不可察觉的修改，从而提高商品的分数。

    Nov, 2020

  • 可持续透明度在推荐系统中的应用：基于贝叶斯排序的图片解释能力

    为了解决推荐系统中透明性和用户信任的问题，研究人员提出了一种名为 BRIE 的新模型，通过采用基于贝叶斯对比排序的更适当的学习目标，实现比现有模型更卓越的性能，同时具有较高的效率。

    Jul, 2023

  • 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

  • 上下：用单类协同过滤模型建模时尚趋势的视觉演化

    本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

    Feb, 2016

  • 喜好预测的视觉指导

    研究表明，我们可以利用计算机识别人脸信息并预测性别、年龄和外貌美丽程度，同时通过视觉协作过滤技术和新的回归技术推断人们之间的偏好，并基于此预测一张图片的相对吸引力。在一项大型的约会网站数据集和明星图片上，我们的实验获得了令人信服的结果，并得出了一些有意义的社会学结论。

    Oct, 2015

  • 基于生成图像模型的视觉感知时尚推荐与设计

    本文研究了在时尚等领域中建立有效的推荐系统的挑战，并提出了一种基于 Siamese CNNs 以及深度学习网络的时尚感知图像表示和推荐方法，通过在像素级别训练图像表示和推荐系统，可以显著提高推荐性能和生成新的时尚产品设计。

    Nov, 2017