序列感知推荐系统

Feb, 2018

Sequence-Aware Recommender Systems

Massimo Quadrana, Paolo Cremonesi, Dietmar Jannach

TL;DR本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

Abstract

recommender systems are one of the most successful applications of data mining and machine learning technology in practice. Academic research in the field is historically often based on the →

recommender systems data mining machine learning matrix completion problem user-item interactions

发现论文，激发创造

序列推荐系统：挑战、进展和前景

本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。

Dec, 2019

基于双边邻居协同关系建模的顺序推荐

提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

Nov, 2019

ClusterSeq：基于聚类的元学习增强顺序推荐系统

通过将用户序列中的动态信息与聚类相结合，ClusterSeq 是一种在缺乏侧面信息的情况下提高项目预测准确性的元学习聚类型顺序推荐系统，对于展示与常见用户不同偏好的 “次要用户” 而言，这种模型能够保留其偏好并利用同一聚类中用户的集体知识。实验证实了 ClusterSeq 的有效性，相比现有的元学习方法，在均衡互惠排名 (MRR) 上取得了 16-39% 的显著改善。

Jul, 2023

推荐系统的顺序性破坏了评估过程

本研究旨在通过对流行评估过程的敌对攻击来表征顺序数据对案例的重要性，提供一种序列感知提升攻击方法，以及在观察数据顺序的基础上仅利用机密测试集的额外信息的下限，从而证明评估处理对 MovieLense-100k 数据集的影响可达约 1％。

May, 2022

推荐系统的批量与顺序主动学习比较

通过比较五种不同的主动学习算法与三种不同的预测器算法的组合，本研究为了解决推荐系统中的冷启动问题，探讨了如何准确预测用户喜好，提供更精准的推荐。同时，通过评估推荐器的评分预测、决策支持和排名等方面，发现在数据集较为密集的情形下，顺序模式能够提供最准确的推荐，并发现在大多数情况下，最佳的预测器是 FunkSVD。

Jan, 2022

基于会话的推荐算法评估

对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。

Mar, 2018

一种职位推荐系统的时间学习和序列建模

本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

Aug, 2016

推荐系统简介

本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

Feb, 2023

AutoSeqRec：用于高效顺序推荐的自编码器

AutoSeqRec 是一种用于顺序推荐任务的增量推荐模型。它基于自编码器，由编码器和三个解码器组成。通过重建用户 - 物品交互矩阵和物品转换矩阵的行列，捕捉用户的长期偏好和短期兴趣，最终实现了准确性、鲁棒性和高效性的提升。

Aug, 2023

精确推荐的端到端图序列表示学习

该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

Mar, 2024