该论文研究利用用户点击来进行学习排序的方法及其相关领域,提出了一个框架来统一在线、反事实和监督学习,并将其统一成一种通用且有效的排序学习方法。
Dec, 2020
该研究结合用户粘性和主动性两个方面,提出了一种基于批量强化学习的多任务融合框架(BatchRL-MTF),以长期用户满意度为最终目标,部署于大规模工业短视频平台。
Aug, 2022
本研究介绍了一种基于矩阵因式分解的推荐模型,用于针对给定的查询和用户,推荐排名靠前的物品,实验结果表明它胜过了多个基准模型。
Jun, 2012
本研究提出了一种基于多目标的重新排序方法,使用基于 Kendall tau 相关度量和其核版本的正则化函数来解决涉及多种利益相关方的推荐问题,对包括消费者、供应商和中介在内的三个利益相关方进行多目标优化,通过真实数据集验证了此方法的有效性。
Aug, 2017
本篇论文总结了商品推荐的独特特点和常见方法,讨论了训练目标的不同选择,提出了适合于常规推荐和点积模型的效率更高的学习算法,并探讨了商品推荐在检索任务中的应用。
Jan, 2021
在这篇论文中,我们提出了一个多任务框架,考虑到隐式反馈中每个信号的各种偏好强度,要求实体的表示同时满足每个子任务的目标,使其更具鲁棒性和可推广性。此外,我们还结合了注意力图卷积层,以探索用户 - 物品双向图中的高阶关系,并动态捕捉用户对其交互物品的潜在倾向。实验结果表明,我们的方法在三个大规模真实世界基准数据集上比现有最先进方法有显著优势。
Jan, 2024
本文综述了多目标推荐系统的类型和竞争目标,并概述了在此领域的挑战。
Oct, 2022
深度推荐系统在现代 Web 服务中得到广泛应用,然而传统的两阶段工作流存在协作限制,因此需要探索检索员和排名员之间的有效协作。
Jun, 2022
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
该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型,并通过六个真实数据集的实验,证明了融入商品评论对于推荐系统预测排序的益处。
Jan, 2017