NIPSNov, 2016

协作循环自编码器：学习填补空白时进行推荐

PDF
TL;DR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。
hybrid methodsrecommender systemscollaborative filteringdeep learningcrae
发现论文，激发创造
  • 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

  • 推荐系统的协作深度学习

    本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

    Sep, 2014

  • 协同过滤的深度自编码器训练

    本文提出了一种基于深度自编码器的新模型，通过对 Netflix 数据集进行评分预测任务，相对于之前的模型具有明显优势。该模型不需要层预训练，采用 6 层自编码器进行端到端的训练，通过实验证明：深度自编码器模型的泛化能力比浅层模型更好，负部分的非线性激活函数对于训练深度模型至关重要，必须大量采用正则化技术，如 dropout，以防止过拟合。此外，我们提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法显著加速了训练并改善了模型性能。

    Aug, 2017

  • 协作自编码用于盲图像质量评估

    本文提出了一种新颖的盲图像质量评估方法，该方法利用深度神经网络中的协作自编码器 (COAE) 提取内容和失真表示，从而克服了主观注释数据缺乏的困难，实现了自监督学习，取得了最先进的性能。

    May, 2023

  • 反馈循环自编码器

    提出了一种新的递归自编码器结构 —— 反馈递归自编码器（FRAE），用于在线压缩带有时态依赖性的顺序数据，尤其是语音谱图压缩，结合神经声码器，实现低固定比特率下的高质量语音波形，进一步使用学习到的潜在空间先验和熵编码器，可以达到更低的可变比特率。

    Nov, 2019

  • RecVAE：一种新的变分自编码器，用于使用隐式反馈的 Top-N 推荐

    该论文提出了基于变分自编码器的推荐 VAE（RecVAE）模型，通过多种方法改进了 Mult-VAE 模型并优于以前提出的基于自编码器的模型，实验结果表明 RecVAE 显著优于先前提出的基于自编码器的模型。

    Dec, 2019

  • 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

  • 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

  • 一种用于协同过滤的混合变分自编码器

    本文利用变分自编码器和电影嵌入向量，应用于电影推荐，通过 VAE 网络获取潜在表示，探索了合作式过滤的新方法。

    Jul, 2018

  • 基于顺序变分自编码器的协同过滤

    本文中我们提出了一种基于循环神经网络的变分自编码器模型，用于建模用户偏好，并且通过处理时间信息以改善精度。我们的模型可以捕捉用户消费序列中的时间依赖关系，并保持变分自编码器的基本特征。

    Nov, 2018