推荐的因果嵌入
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
本论文提出了一种基于逆倾向评分技术的无偏学习框架,以解决推荐系统中的因果效应问题。通过构建无偏估计器和进行经验风险最小化,该框架可以有效地提高有限训练样本下的方差,从而开发出一种基于无偏学习方法的因果效应扩展排序度量方法。该方法在各种设置下的性能均优于其他有偏学习方法。
Aug, 2020
本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架,从而使推荐系统能够为用户实现个性化的公平性。实验表明,该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。
May, 2021
通过提取结构化知识,我们提出了一种端到端的联合学习框架,旨在解决基于嵌入的推荐模型缺乏可解释性和受到数据稀疏性的困境。实验证明,该框架能够实现最先进的推荐效果,并且能够提供可解释的推荐原因。
Dec, 2019
本文提出了两种采用混合维度嵌入的矩阵分解模型,可以采用交替最小二乘法以大规模并行的方式进行优化,并针对用户和项目的流行度偏斜实现了是用稀疏,混合维度或共享嵌入降低参数数量和过度拟合的研究。
May, 2022
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
本文介绍了一种混合矩阵分解模型,通过将用户和项目表示为其内容特征的潜在因素的线性组合,能在各种情况下优于协同过滤、基于内容的模型,特别是在使用用户和项目元数据进行稀缺交互数据的情况下表现优异,并在交互数据丰富的情况下至少与纯协议矩阵分解模型表现一样好,产生的特征嵌入编码了语义信息,类似于词嵌入方法,使它们对一系列相关任务如标签推荐非常有用。
Jul, 2015