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
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
该论文提出了一种基于多层次范式的、利用评论进行推荐的神经网络结构,主要包括基于指针的学习方法和多指针学习方案,该结构相对于其他现有的方法在概率指标上有着显著优势。
Jan, 2018
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。
Sep, 2016
本文中,我们开发了一种新颖的神经网络模型,通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。
Dec, 2019
本研究提出了一个利用用户评论的神经序列推荐模型,以考虑长期偏好和短期时序,通过使用评论提取方面感知表示来编码每个用户或项目,并在联合级别和个人级别上采用新颖的分层注意力机制来捕捉顺序模式,并在三个真实世界数据集上取得显着的性能改进。
Jul, 2019
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
该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架,它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系,以更好地捕捉用户多行为数据的异构协作信号。
Jan, 2022
本文探讨了一种替代方法,不再假设用户未交互的物品一定是消极的,而是假设比用户交互过的物品更不受偏爱,并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明,相比于几种最先进的方法,我们的方法具有更优异的性能。
Aug, 2018
本文章提出了一种名为 Collaborative Memory Networks (CMN) 的深度神经网络,可以有效地结合 latent factor model 和 local neighborhood-based structure,而不是单纯地使用 latent factor model,以提高协同过滤推荐系统的精度和效率。实验结果表明,CMN 在三个公共数据集上优于竞争基线。
Apr, 2018