ICMLJun, 2016

通过损失保留转换构建可解释推荐系统

PDF
TL;DR提出了一种解释性推荐系统构建方法，用于个性化在线内容和促销活动推荐，通过数据转换，可将多类分类数据集转换为可与标准解释性多类分类算法一起使用的新数据集，其最小化标准误分类惩罚等价于最小化自定义成本函数。
interpretable recommender systempersonalizationonline contentmulti-class classificationdata transformation
发现论文，激发创造
  • 用户点评的可解释替代神经表示学习的评分预测方法 - 透明潜在类别建模

    通过基于评论信息的统计和可视化友好工具，构建了透明的概率模型来组织用户和产品的潜在类别，同时在评级预测任务中使用这些可解释的量作为模型输入以实现可比较的预测表现。

    Jun, 2024

  • 基于 Transformer 的替代品推荐模型结合弱监督的客户行为数据

    本研究提出一种新的转换方法，将替代推荐技术引入到语言匹配问题，以考虑产品功能和特性，并从工程的角度考虑多语言支持。我们提出的端到端的基于转换器的模型在离线和在线实验中都取得了成功，已在 6 种语言的 11 个市场的大型电子商务网站中部署，并证明在在线 A/B 实验中可以增加 19％的收入。

    Nov, 2022

  • 特征交互可解释性：通过神经交互检测解释广告推荐系统

    该研究提出了一种解释和增强黑盒推荐系统预测的方法，可以在不假设推荐系统结构的情况下使用，并且能够提供新的领域洞察，例如文本和图像分类。实验结果表明，该方法在广告点击预测方面的解释和预测性能显著优于现有的推荐模型。

    Jun, 2020

  • 用户偏好动态下的推荐系统伤害缓解

    研究考虑了推荐系统、用户兴趣演化以及有害内容之间的相互作用，建模了推荐对用户行为的影响，特别是对有害内容消费的倾向性。旨在找到在最大化点击率（CTR）和减轻伤害之间建立权衡的推荐策略，并提出了在稳态下找到最优推荐策略的算法。在以真实数据初始化的半合成电影推荐设置上进行实验，观察到我们的策略在同时最大化 CTR 和减轻伤害方面优于基准线。

    Jun, 2024

  • 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

  • 基于翻译的推荐系统

    本文提出了一种名为 TransRec 的方法，它可以将用户和项目之间以及项目之间的复杂交互建模，用于预测用户的个性化顺序行为，通过将项目嵌入到 “转换空间” 中，并使用用户来操作项目序列的翻译向量，以便捕捉第三阶交互关系。在广泛的真实世界数据集中，该方法表现优于现有方法。

    Jul, 2017

  • 基于可操作特征调整的树形集成模型可解释预测

    本文提供一种利用基于树的集成分类器内部的技术来将真负实例转化为正例的推荐算法，通过在线广告应用程序证明了方法的有效性。

    Jun, 2017

  • 面向个性化文本分类的增量用户嵌入建模

    本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

    Feb, 2022

  • 可解释推荐的个性化提示学习

    该研究提出了一种利用预训练模型和新型 prompt learning 方法实现基于用户可解释性推荐的方法，并与传统方法相比，有着更好的表现。

    Feb, 2022

  • 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