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
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。
Nov, 2015
本文对于近三十年来产生和实践了重要的循环神经网络(RNN),LSTM 和 BRNN 等模型的研究进行综述,旨在提供一个自成体系的最前沿阐述和历史视角,并引用了相关研究文献。
May, 2015
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
通过引入自然语言评论作为优化产品表示的一种方式,将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现;本文提出两种不同类型的评论模型,包括基于神经网络的词袋专家模型和循环神经网络模型,并证明前者的模型灵活性表现出了更高的性能表现,超越了基于 LDA 的方法。
Jun, 2018
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
本文提出了一种针对视频进行自动化重点帧或子镜头选择的新型监督学习技术,其将问题视为顺序数据上的结构化预测问题,主要想法是利用 LSTM(长短时记忆),该专用网络类型可模拟视频摘要任务中包含的可变范围依赖性,详细分析证明了模型设计的合理性,通过引入领域适应技术,我们还介绍了应对训练复杂学习模型所需大量注释数据需求的技术。
May, 2016
使用字符级语言模型作为可解释的测试平台,本研究分析了 LSTM 的表示、预测和错误类型,并揭示了其提高性能的长程结构依赖性的来源。
Jun, 2015
本文提出了一种基于 LSTM RNN 框架的网络流量长短期预测方法,并在 GEANT 网络实验数据中验证表明,该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。
May, 2017
本文介绍了一种利用低秩分解和参数共享技术来学习紧凑的循环神经网络(LSTM)的机制,探究了在不损失性能的情况下完善紧凑结构的可能性,并且发现在底层使用结构矩阵,在顶层使用共享低秩因子的混合策略特别有效,在 2000 小时英语语音搜索任务上将标准 LSTM 的参数减少了 75%,仅仅增加了 0.3% 的误差率。
Apr, 2016