Jun, 2016

神经自回归协同过滤算法处理隐式反馈

PDF
TL;DR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。
发现论文，激发创造
  • 协同过滤的神经自回归方法

    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。

    May, 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

  • 使用文本数据的个性化神经嵌入协同过滤

    本论文提出了一种个性化神经嵌入框架 (PNE)，通过融合互动和单词来预测用户对物品的期望，解决了传统协同过滤方法中物品与用户关系稀疏的问题，并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时，通过可视化展示了 PNE 可以学习到有意义的单词嵌入。

    Mar, 2019

  • 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

  • 神经互动协同过滤

    本文研究基于交互反馈的协同过滤推荐系统，提出了一种使用神经网络进行探索策略的方法，并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略，在三个标准数据集上的实验证明了该方法的优越性。

    Jul, 2020

  • 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

  • SelfCF: 自监督协同过滤的简单框架

    本文提出了一种自监督的协同过滤框架 (SelfCF)，能够用于隐式反馈的推荐场景，该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型，通过三种输出扰动技术来增强骨干网络生成的嵌入，尽管不区分背骨模型，但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性，训练速度为 2×-4×，平均能提升 17.79％与自我监督框架 BUIR 相比。

    Jul, 2021

  • 基于外积的神经协同过滤

    本研究针对协同过滤提出新的多层神经网络架构 ONCF，采用外积表达嵌入空间维度之间的相关性，提出在卷积神经网络上应用外积来学习高阶相关性的方法，并在公共数据集上进行了大量实验以验证其有效性。

    Aug, 2018

  • NAIS: 基于神经网络和注意力机制的推荐物品相似性模型

    本文介绍了一种名为 NAIS 的神经网络模型，该模型通过引入注意力网络来学习物品之间的相似度，从而对基于物品的协同过滤进行了改进和优化。与现有的基于物品的 CF 方法相比，NAIS 在表达能力上更强，且只需要额外引入少量参数。实验证明，NAIS 在两个公共基准测试集上达到了显著的提升，为基于神经网络的推荐系统的未来发展开辟了新的研究方向。

    Sep, 2018