Sep, 2017

交互式注意力门控循环神经网络用于推荐

PDF
TL;DR本论文提出了一种交互式注意力门控循环网络 (IARN)，该方法采用注意力模型来衡量推荐过程中每个时间步的相关性，旨在更好地建模用户和物品的动态变化以及它们对用户 - 物品交互的共同影响，实现了对用户历史记录中不同时间步的有针对性的记忆，得到了比同类方法更好的推荐效果。
发现论文，激发创造
  • 序列推荐的记忆增强图神经网络

    提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

    Dec, 2019

  • 用于序列推荐的分层门控网络

    该研究提出了一种分层门控网络（HGN），与贝叶斯个性化排名（BPR）相结合，用于捕捉长期和短期用户兴趣，实现顶部 N 的顺序推荐，并通过五个真实的数据集进行了广泛评估。

    Jun, 2019

  • 一个平台无关的推荐框架：基于用户兴趣感知的物品嵌入

    我们提出了一种新颖的兴趣感知胶囊网络（IaCN）推荐模型，该模型直接学习面向兴趣的物品表示，通过不需要大规模重设计的方式，在现有的推荐模型中实现联合学习，实验证明该方法在各种推荐模型下表现出显著的性能提升。

    Aug, 2023

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 神经注意力基于会话的推荐

    研究了如何在短时间内从用户的行为进行推荐，提出了一种新型的神经网络框架 NARM，通过注意力机制解决了仅利用当前会话中用户的顺序行为进行推荐的问题，同时结合用户当前会话中的主要目的，成功地提高了推荐算法的准确率和效率。

    Nov, 2017

  • 具有关注交互的非对称分层网络，用于可解释的基于评论的推荐

    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

  • 多交互注意力网络用于 CTR 预测中细粒度特征学习

    通过提出一种 Multi-Interactive Attention Network (MIAN) 方法，结合多种精细特征以及性别、年龄、职业等用户个人信息，从多个方面综合提取用户偏好，同时设计全局交互模块 (GIM) 学习高阶交互和平衡多个特征的影响，能够有效地预测用户点击率 (CTR)。

    Dec, 2020

  • 个性化带注意力机制的图神经网络用于会话感知型推荐

    本研究提出了一种名为个性化图神经网络和注意力机制的新方法，以解决现有基于过去历史数据进行推荐的方法无法有效捕捉项目转移关系和历史会话对当前会话影响的问题，并通过实验验证说明该方法优于现有的方法。

    Oct, 2019

  • IA-GCN: 交互图卷积网络用于推荐

    本文提出 InterActive GCN，针对已有的基于 GCN 的协同过滤推荐系统采用相同的聚合方式从用户邻域中学习用户的表示，从而忽略了用户 - 项目对之间的交互特征。新模型在用户 - 项目对之间构建双边交互指导，提供了交互和可解释的特征，并且通过每个图卷积操作有效地提取了目标特定信息，能够与各种基于 GCN 的 CF 体系结构端到端地组合使用。实验表明，本文提出的 IA-GCN 具有较好的效果和鲁棒性。

    Apr, 2022

  • 基于超图注意力网络的会话推荐

    本论文提出了一种新的基于超图注意力网络的会话推荐系统，它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入，并聚合每个会话的动态项目表示，从而推断下一个感兴趣的项目。实验结果表明，与最先进技术相比，所提出的模型能够有效生成信息丰富的动态项目嵌入，并提供更准确的推荐。

    Dec, 2021