AutoSVD++:一种通过压缩自动编码器实现的高效混合协同过滤模型
通过设计一种基于奇异向量分解(SVD)的线性自编码器,该研究提出了一种简单而有效的 SVD-AE 算法,该算法不需要迭代训练过程,可以通过 SVD 的闭式解进行计算,提高了推荐系统的噪声容忍性和效率。
May, 2024
我们提出了一种新的混合算法,可以在标准的协同过滤技术中加入用户和物品方面的信息。该算法利用奇异值分解的广义公式,增加了解的灵活性,并允许在其潜在空间上施加预期的结构。我们在各种数据集上评估了该方法,并展示了其在类似的混合模型中的优越性。
Feb, 2018
本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架,其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段,以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明,我们的方法可以在各种 CF 任务上始终优于 SOTA 方法,搜索到的 CF 模型还可以为探索更有效的方法提供启示。
Jun, 2021
本文介绍了一种用于推荐系统的基于自编码器的架构,通过使用适用于缺失数据的损失函数和引入侧面信息来改进其性能。实验证明,侧面信息对冷启动用户 / 物品的影响更显著。
Jun, 2016
本研究提出一种基于 VAE 的非线性概率模型,用于解决协作过滤问题,相对于现有的线性因子模型,具有更强的建模能力,并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现,并对使用多项式分布作为似然函数进行了比较实验,分析了使用贝叶斯方法的优缺点及适用场景。
Feb, 2018
本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法,实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。
Jul, 2018
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
本文以 user-generated content 为基础,提出了一种新的模型 MR3,将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来,加入了 implicit feedback 从而提高了其预测精度。
Mar, 2018