ICMLMay, 2016

协同过滤的神经自回归方法

PDF
TL;DR本文提出了 CF-NADE 模型，基于 Restricted Boltzmann Machine 和 Neural Autoregressive Distribution Estimator，包括模型改进，参数共用，优化成本等，实验证明在三个数据集上表现均超过当前所有最先进方法。
cf-nadecollaborative filteringneural autoregressive architecturerestricted boltzmann machineordinal cost
发现论文，激发创造
  • 神经自回归协同过滤算法处理隐式反馈

    通过利用隐性反馈数据，本文提出了一种名为 implicit CF-NADE 的神经自回归模型，其中通过将用户的隐式反馈数据转换为喜欢向量和置信向量，并将隐式相对评分的观看次数作为输入，在数字电视流媒体服务数据集上进行了测试，与流行的隐式矩阵分解方法相比，implicit CF-NADE 模型的表现更佳。

    Jun, 2016

  • 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

  • 神经自回归分布估计

    本研究提出了使用神经网络模型通过权值共享和概率乘积规则实现无监督分布和密度估计的新方法，并探讨了如何构建深度神经网络在建模二进制和实值观察方面具有竞争力的性能以及如何利用深度卷积神经网络来处理图片中的拓扑结构。

    May, 2016

  • 文档神经自回归分布估计

    本文提出了一种基于前馈神经网络的方法来学习文本文件的分布，可以用来学习文本数据的深度表示，并结合一个常规神经网络 N-gram 模型来显著提高性能。

    Mar, 2016

  • 协同神经网络过滤器在推荐系统中的应用

    本文提出了一种 J-NCF 方法，旨在通过深度特征学习和深度交互建模优化协同推荐效果，实验验证了其在模型性能方面的表现。

    Jul, 2019

  • 迭代神经自回归分布估计器 (NADE-k)

    该论文提出了一种新的无监督深度学习模型 NADE-k，该模型结合了 NADE 和多预测训练的优点，可用于密度估计。其测试似然可以进行解析计算，而且易于生成独立样本，并使用 Boltzmann 机器的变分推断。在两个测试数据集上，NADE-k 的表现与现有最先进技术相当。

    Jun, 2014

  • 协作循环自编码器：学习填补空白时进行推荐

    本研究利用协同过滤和深度学习来设计了一种混合方法 CRAE，包括一种去噪自编码器和一种可学习池化模式，模拟了推荐系统中内容序列的生成过程，在不同领域的真实数据集中，能够显著提高推荐和序列生成的准确性。

    Nov, 2016

  • 一种深度可计算密度估计器

    本文介绍一种新的方法，即同时为每个变量的可能排序训练 NADE 模型，共享跨所有模型的参数。这种方法既可以为不同推理任务使用最方便的模型，又可以马上使用具有不同排序的模型集成。此外，我们的训练方法可以扩展到深度模型，实验证明深度 NADE 模型的集合可以获得最先进的密度估计性能。

    Oct, 2013

  • 协同反思增强自编码网络用于推荐系统

    文章提出了 Collaborative Reflection-Augmented Autoencoder Network (CRANet) 相关理论，旨在解决在训练阶段中由缺省数据引入的负信号所带来的推荐性能下降问题，并通过实验验证 CRANet 相比于其他推荐技术可以显著改善推荐问题的性能。

    Jan, 2022