序列感知推荐系统
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
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
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
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
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
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