MMApr, 2017

TransNets：学习转换以进行推荐

PDF
TL;DR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。
deep learningrecommender systemsreview texttransnetslatent representation
发现论文，激发创造
  • 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

  • CoNet: 协作交叉网络用于跨领域推荐

    本研究提出一个基于神经网络的转移学习方法，通过引入 CoNet（协作交叉网络）来实现跨领域推荐，其中隐藏层连接的交叉映射使增加了双向知识转移能力，模型在两个大型真实世界数据集上进行了广泛评估，并相对于基准模型提高了 7.84％的精度，同时证明了选择适当的特征表示对性能至关重要。

    Apr, 2018

  • 用户点评的可解释替代神经表示学习的评分预测方法 - 透明潜在类别建模

    通过基于评论信息的统计和可视化友好工具，构建了透明的概率模型来组织用户和产品的潜在类别，同时在评级预测任务中使用这些可解释的量作为模型输入以实现可比较的预测表现。

    Jun, 2024

  • 从评论中学习分布式表示用于协同过滤

    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

  • TransRev: 将评价建模为用户到商品的翻译

    研究提出了 TransRev 方法，将情感分析、推荐系统和多关系学习相结合，学习出用户、物品和评论的向量表示，并通过加权平均来进行评论预测。TransRev 在多个基准数据集上表现优于现有的推荐系统。

    Jan, 2018

  • 问 GRU：深度文本推荐的多任务学习

    本文介绍了一种基于深度递归神经网络的内容推荐方法，通过将文本序列映射至潜在向量实现推荐，在科学论文推荐任务中，该方法精度显著优于传统基于主题模型或词向量平均值的推荐方法。此外，使用多任务学习进一步提高了推荐精度。

    Sep, 2016

  • 面向推荐的多指针协同注意力网络

    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

  • 基于抽象提示生成的神经评分回归模型用于推荐

    提出了一种名为 NRT 的基于深度学习的框架，该框架同时可以预测精确的评分和生成具有良好语言质量的抽象提示，从而帮助设计更好的推荐系统。在基准数据集上的广泛实验表明，NRT 方法在不同领域均实现了显着改进。此外，生成的提示可以生动地预测用户的体验和感受。

    Aug, 2017

  • 生成连接网络联合学习撰写和分类评论

    通过使用递归神经网络模型，本文提供了一种生成个性化产品评论、分类和情感识别的方法。

    Nov, 2015

  • 神经协同排名

    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