Nov, 2015

基于循环神经网络的会话式推荐

PDF
TL;DR我们提出了一种基于循环神经网络 (RNN) 的会话推荐方法，考虑到实际问题和数据缺乏的情况，并引入了一些修改，如排序损失函数。实验结果表明，与广泛使用的方法相比，我们的方法在两个数据集上都有明显的改进。
recurrent neural networksrecommender systemssession-based recommendationsitem-to-item recommendationsranking loss function
发现论文，激发创造
  • 面向会话的推荐系统的跨会话建模

    本文提出了一种扩展 RNN 推荐系统的方法，通过使用第二个 RNN 学习用户最近的会话并预测当前会话中的用户兴趣，以改善在 Seesion 开始时提供的推荐，实验证明该方法可以显著提高推荐性能。

    Jun, 2017

  • 基于会话的推荐的改进循环神经网络

    本研究探讨使用循环神经网络 (RNNs) 进行基于会话的推荐任务，并提出了数据增强和考虑输入数据分布变化的方法，同时通过实验证明使用通用蒸馏和直接预测项目嵌入的新模型相对于传统模型在 RecSys Challenge 2015 数据集上分别在 Recall@20 和 Mean Reciprocal Rank@20 指标上改进了 12.8% 和 14.8%。

    Jun, 2016

  • 使用分层循环神经网络进行基于会话的个性化推荐

    本文研究在基于会话的推荐系统中，如何通过跨会话信息传递的层次循环神经网络模型，实现对用户兴趣的个性化推荐，数据实验表明该方法优于单纯使用基于会话的神经网络推荐方法。

    Jun, 2017

  • 用于长短期顺序推荐的循环神经网络

    本篇研究探讨了 RNN 模型在短期和长期的推荐任务中的表现，发现堆叠的带有层归一化和相同物品嵌入的 RNN 模型表现最佳，能够准确预测用户的短期和长期交互。

    Jul, 2018

  • 基于 Top-k Gains 的循环神经网络会话推荐

    该研究介绍了针对会话推荐的 RNN 模型的新型排名损失函数，与其他方法相比，这些损失函数表现出更好的性能，并且可以通过进一步细化和改进，实现相对于先前的 RNN 解决方案提高了 35% 的 MRR 和 Recall @20，比经典的协作过滤方法提高了 53% 的性能。

    Jun, 2017

  • 基于会话的推荐算法评估

    对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。

    Mar, 2018

  • 借助循环神经网络进行具有上下文的混合会话新闻推荐

    提出了一种基于上下文、深度学习的会话式新闻推荐方法，通过考虑文章流行度和新颖性等多种信息类型，显著提高了推荐准确性和目录覆盖率，并且能够在准确性和新颖性之间进行平衡。

    Apr, 2019

  • 使用递归神经网络进行推荐的上下文序列建模

    我们提出了一种新的上下文递归神经网络，可以在输入和输出层中考虑相关信息，将上下文嵌入与项目嵌入相结合，并在模型动态性中将隐藏单元转换参数化为上下文信息的函数，从而在下一事件预测任务上显示出良好的提高效果。

    Jun, 2017

  • 基于图神经网络的会话推荐

    该论文提出了一种名为 SR-GNN 的新型方法，基于图神经网络来对会话进行建模，并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合，从而提高了会话推荐的准确率。

    Nov, 2018

  • 循环神经网络协同过滤

    本文提出一种将协同过滤视为序列预测问题的解决方案，应用了循环神经网络中的 LSTM 模型，并将其与标准的最近邻和矩阵分解方法在电影推荐方面进行了比较，表明 LSTM 在项目覆盖和短期预测方面具有竞争力，大大优于其他方法。

    Aug, 2016