深度协同网络：嵌入用户和物品特征用于推荐

MMSep, 2016

深度协同网络：嵌入用户和物品特征用于推荐

Deep Coevolutionary Network: Embedding User and Item Features for Recommendation

Hanjun Dai, Yichen Wang, Rakshit Trivedi, Le Song

TL;DR此研究提出一种基于深度协同演化网络的推荐系统，利用点过程和循环神经网络来学习用户和物品的潜在特征，捕捉它们之间的相互影响和特征随时间的演化变化，经实验证明，该模型较传统方法具有更好的推荐性能。

Abstract

recommender systems often use latent features to explain the behaviors of users and capture the properties of items. As users interact with different items over time, user and item features can influence each oth

recommender systems latent features point process based models deep coevolutionary network model rnn

发现论文，激发创造

社交推荐的神经影响扩散模型

该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

Apr, 2019

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

神经图协同过滤

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

面向开放世界推荐：一种基于归纳模型的协同过滤方法

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020

互动预测的动态嵌入

DeePRed 提出一种新的方法，通过使用长期（静态）嵌入作为代理来避免递归和昂贵的连续短期嵌入之间的交互，并具有多路注意机制，以检查用户 - 项目兼容性，从而在下一个项目预测任务上优于最佳现有方法至少 14％，同时获得最佳基线的超过一个数量级的加速。

Nov, 2020

COEVOLVE: 信息传播与网络协同演化的联合点过程模型

该研究通过 COEVOLVE 模型研究信息传播和网络演化的动态，通过历史数据进行参数学习，证明该模型能够准确预测实际网络传播模式。

Jul, 2015

认知进化学习用于推荐系统的特征交互选择

特征交互选择是商业推荐系统中的一个基本问题。本文提出了一种新颖的 Cognitive EvoLutionary Learning (CELL) 框架，该框架受到自然有机体的进化和功能启发，通过进化选择适应性操作、特征和交互，从而实现对不同任务和数据的自适应演化，显著优于现有基准模型。

May, 2024

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

基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

Jan, 2024

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