MMAug, 2017

使用带有依赖臂的多臂老虎机进行在线交互式协同过滤

PDF
TL;DR研究如何考虑物品间的相关性，将物品聚类为不同的组别，并使用基于粒子学习的算法来推断模型的潜在参数和状态，从而开发出一种可以有效地整合现有多臂选择策略的在线交互协作推荐系统。
online interactive recommender systemscollaborative filteringmulti-armed bandit mechanismsitem dependenciestopic modeling
发现论文，激发创造
  • 协同过滤赌博机

    本文提出了一种自适应聚类技术，以探索 - 利用策略为基础，用于内容推荐系统中高动态性的推荐领域，该算法利用数据中的喜好模式，具有与协同过滤方法类似的优点，对中等规模的真实世界数据集进行了实证分析，表现出可扩展性和预测性能提高。

    Feb, 2015

  • 多视角交互式协同过滤

    本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。

    May, 2023

  • 在线矩阵分解推荐的交替线性赌博机算法

    本文提出了一种在线矩阵分解推荐算法，结合了线性赌博和交替最小二乘法，通过累积遗憾和平均累积 NDCG 评估算法性能，实验结果表明该算法在三个综合数据集和三个真实数据集上优于两个最先进的在线算法。

    Oct, 2018

  • 在线匹配：一种用于大规模推荐的实时试错系统

    通过在线学习的方法，本研究提出了一种用于大规模推荐系统的可扩展闭环赌博系统，以提高新内容发现和物品探索的能力。

    Jul, 2023

  • 交互式图卷积滤波

    提出了一种名为 “交互图卷积过滤模型” 的新颖方法，通过扩展交互式协同过滤到图模型中，增强用户和物品之间的协同过滤性能，同时采用变分推断技术解决非线性模型的计算难题，以及采用贝叶斯元学习方法有效解决冷启动问题，并对该方法建立理论上的遗憾界限，确保其稳健性能。在三个真实数据集上的广泛实验结果验证了该方法的优越性。

    Sep, 2023

  • 基于组合多臂赌博机的推荐辅助缓存

    通过使用基于有限容量缓存的基站，我们研究了在无线网络中具有推荐功能的内容缓存。我们假设存在一组固定内容，用户的偏好和内容的受欢迎程度未知。我们可以向用户推荐一部分内容，以鼓励用户请求这些内容，从而增加缓存命中率。我们将缓存命中率优化问题形式化为组合多臂赌博问题，并提出了一种基于 UCB 算法的决策内容缓存和推荐的方法。我们给出了算法遗憾的上界，并通过数值实验对我们的算法性能进行了比较。

    Apr, 2024

  • 元学习下的神经协作过滤赌博机

    通过构建神经协同过滤自适应组 Metaban 算法，本文将人工智能中的探究与利用困境（exploitation-exploration dilemma）应用于定制化推荐，并在实验中将 Metaban 与六种模型进行对比，结果表明 Metaban 显著优于其他模型的表现。

    Jan, 2022

  • 高维线性赌博机和推荐系统

    该研究使用线性参数化多臂赌博机模型来提高在线服务推荐新产品、视频、歌曲和广告的效果，得到了能够满足用户喜好探索和系统数据调查的解决方案，并在 Netflix 和 MovieLens 数据集上进行了测试。

    Jan, 2013

  • 基于级联赌博机的大规模推荐问题

    本研究提出了两种基于线性推广的算法来解决级联赌博问题，主要应用在推荐系统中。通过对算法的评估，发现本文算法表现较为良好，且优于所有基准算法。

    Mar, 2016

  • 关于上下文相关赌博机聚类的研究

    CAB 算法是一种协同推荐算法，它采用了上下文相关的用户邻域估计机制，能够同时进行探索利用平衡和协同步骤，证明了具有不同数据假设的后悔边界，并在生产和真实数据集上验证了 CAB 的显着预测性能优势。

    Aug, 2016