KDDFeb, 2018

神经张量分解

PDF
TL;DR本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。
neural tensor factorizationdynamic relational datatemporal interactionslatent factorsrating prediction
发现论文，激发创造
  • 神经协同过滤

    本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

    Aug, 2017

  • 具有共享用户嵌入的交叉属性矩阵分解模型

    通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

    Aug, 2023

  • 协同神经网络过滤器在推荐系统中的应用

    本文提出了一种 J-NCF 方法，旨在通过深度特征学习和深度交互建模优化协同推荐效果，实验验证了其在模型性能方面的表现。

    Jul, 2019

  • 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

  • 神经图协同过滤

    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

  • 神经协同过滤与矩阵分解再探讨

    本文探讨了通过神经协同过滤中的多层感知机 (MLP) 学习相似性和点积进行组合嵌入的方法，并证明在恰当的超参数选择下，使用简单的点积可以显著优于所提出的学习相似性的方法。

    May, 2020

  • 循环神经网络协同过滤

    本文提出一种将协同过滤视为序列预测问题的解决方案，应用了循环神经网络中的 LSTM 模型，并将其与标准的最近邻和矩阵分解方法在电影推荐方面进行了比较，表明 LSTM 在项目覆盖和短期预测方面具有竞争力，大大优于其他方法。

    Aug, 2016

  • 联邦神经协同过滤

    本文提出一种改进的基于联邦学习的神经协同过滤推荐系统，名为 FedNCF，通过隐私保护聚合提高用户数据的安全性和数据保护合规性，并且在与原始 NCF 系统相比不降低推荐质量的情况下，实现更快的模型收敛速度。

    Jun, 2021

  • 因子增强的张量对张量神经网络

    通过提取和总结有用的预测信息（由 “因子张量” 表示）并利用张量分解模型将其输入到时间卷积神经网络中，本研究提出了一种因子增强的张量对张量神经网络（FATTNN）。该方法能够处理复杂数据结构之间的非线性关系，并在预测准确性和计算成本方面优于传统的统计模型和常规的深度学习方法。通过利用张量分解模型，提出的方法在提高预测准确性的同时，大幅度减少了数据维度从而加快了计算速度。通过模拟研究和对三个公共数据集的实际应用，验证了提出方法的实证性能，数值结果表明，与基准方法相比，提出的算法在预测准确性方面取得了显著的增加，并且计算时间显著减少。

    May, 2024

  • 利用 T-CUR 分解的可分离非负张量分解

    本研究中，我们通过引入可分性假设的概念，将非负矩阵分解（NMF）扩展到多维数组（张量）的情况，创建了称为可分非负张量分解（NTF）的方法，并提供了替代的索引选择方法和随机索引选择过程。通过在合成和面部分析数据集上测试，结果证明了与可分 NMF 相比，可分 NTF 的效果。

    Jan, 2024