CVPRApr, 2016

图像推荐的混合表示的深度学习比较

PDF
TL;DR本篇文章提出了一种双网络深度学习方法，将图像和用户偏好映射到同一潜在语义空间，并在该空间中计算图像和用户之间的距离以做出决策，从而解决了用户偏好需要纳入考虑的图像推荐问题；同时，通过比较深度学习的方式利用图像对训练数据实现了优化，提高了推荐准确性。
发现论文，激发创造
  • 视觉识别的深度协同学习

    本研究使用深度协同学习（DCL）方法，将卷积层分解成两个小的卷积层，然后将它们在每个空间位置处融合，以减少计算复杂度和模型复杂度，同时提高在各种视觉识别任务中的准确性，减少模型参数 (在 AlexNet 中减少 16.82%)。

    Mar, 2017

  • 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

  • 深度神经网络的表示距离学习

    该研究提出了一种称为 “代表空间距离学习” 的方法，该方法可用于将一种深度神经网络模型学习到的内部表现空间应用到另一种模型之中，通过该方法可将学生模型的表现空间序列逐步拟合为更接近于教师模型表现空间的序列。通过将学生模型的表现空间逐渐接近于教师模型的表现空间，使用该方法可以显著提高可视化分类性能。未来该方法可以应用于将深度神经网络的任务约束和生物大脑的约束相结合，从而构建出可以复制生物大脑内部表现空间的深度神经网络模型。

    Nov, 2015

  • 密集样本深度学习

    基于对 DL 学习动态的观察，提出了一种基于复杂特征构建的新理论。

    Jul, 2023

  • 异构人脸识别的联合深度学习

    本文提出了一种基于联合深度学习的异构人脸匹配方法，该方法通过在特征空间中寻找共享特征空间，将异构人脸匹配问题近似为同质人脸匹配问题。实验结果表明，该方法可以在具有挑战性的 CASIA NIR-VIS 2.0 人脸识别数据库以及 IIIT-D Sketch 数据库、CUHK Face Sketch（CUFS）和 CUHK Face Sketch FERET（CUFSF）等数据库上实现更好的性能。

    Apr, 2017

  • TransNets：学习转换以进行推荐

    本文介绍了一种使用深度学习方法改进推荐系统表现的模型 - DeepCoNN，即使用神经网络学习目标用户所有评论的一个潜在表示形式，第二个潜在表示与目标物品的所有评论文本匹配，将这些表示组合起来，同时介绍了一种名为 TransNets 的模型，它通过引入表示目标用户 - 目标项目对的额外潜在层来扩展 DeepCoNN 模型，并通过训练时间对此层进行规化，使其类似于目标用户评论的潜在表示，证明 TransNets 及其扩展显着提高了之前的最新状态。

    Apr, 2017

  • 面向序列推荐中表示退化问题的对比学习

    本文提出了一种新的推荐模型 DuoRec，通过对用户行为序列的表示形式的优化，解决了深度学习模型在生成物品表示时的退化问题，并在五个数据集上进行了实验验证。

    Oct, 2021

  • 使用评论联合深度建模用户与物品进行推荐

    本文提出了一种基于深度协同神经网络（DeepCoNN）的方法，以利用用户评价中的信息来提高推荐系统的性能，该方法在多个数据集上的实验结果表明，其表现明显优于所有基线推荐系统。

    Jan, 2017

  • 社交推荐的解耦对比学习

    本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

    Aug, 2022

  • DDTCDR：深度双重转移跨领域推荐

    本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。

    Oct, 2019