基于用户和物品嵌入的矩阵分解推荐正则化

Aug, 2018

基于用户和物品嵌入的矩阵分解推荐正则化

Regularizing Matrix Factorization with User and Item Embeddings for Recommendation

Thanh Tran, Kyumin Lee, Yiming Liao, Dongwon Lee

TL;DR提出了一种基于正则化的多嵌入式推荐模型（RME），在实验验证中，该模型在明确和隐式反馈数据集中均优于现有模型，特别是在用户交互最少的冷启动情况下，RME 在 MovieLens-10M 和 MovieLens-20M 数据集中的表现更佳。

Abstract

Following recent successes in exploiting both latent factor and word embedding models in recommendation, we propose a novel Regularized Multi-Embedding (RME) based recommendation model that simultaneously encapsu

recommendation model regularized multi-embedding latent factor experimental validation cold start

发现论文，激发创造

基于元数据嵌入的用户和商品冷启动推荐

本文介绍了一种混合矩阵分解模型，通过将用户和项目表示为其内容特征的潜在因素的线性组合，能在各种情况下优于协同过滤、基于内容的模型，特别是在使用用户和项目元数据进行稀缺交互数据的情况下表现优异，并在交互数据丰富的情况下至少与纯协议矩阵分解模型表现一样好，产生的特征嵌入编码了语义信息，类似于词嵌入方法，使它们对一系列相关任务如标签推荐非常有用。

Jul, 2015

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

矩阵分解的高效混合维度嵌入

本文提出了两种采用混合维度嵌入的矩阵分解模型，可以采用交替最小二乘法以大规模并行的方式进行优化，并针对用户和项目的流行度偏斜实现了是用稀疏，混合维度或共享嵌入降低参数数量和过度拟合的研究。

May, 2022

面向开放世界推荐：一种基于归纳模型的协同过滤方法

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020

基于元矩阵分解的联邦评分预测

本论文中介绍了一种针对移动环境下的评分预测的新型联邦学习框架 —— 元矩阵分解（MetaMF）。MetaMF 拥有很强的可扩展性和适应性，可以更好地利用用户 / 设备之间的协同过滤信息进行更准确的评分预测。在四个基准数据集的实验中，MetaMF 的性能表现出色，比现有的联邦方法表现更优秀。

Oct, 2019

推荐系统的聚类嵌入学习

本文提出了 “聚类嵌入学习”（CEL）作为嵌入学习中应对冷启动、低频用户和项目，以及内存成本等问题的综合解决方案，能够自动且动态地通过自上而下的方法对用户和项目进行聚类，而聚类内的实体共同学习共享的嵌入向量，被验证在减小嵌入表大小、提高性能等方面具有显著优势。

Feb, 2023

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

基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

Jan, 2024

推荐的因果嵌入

本文介绍了一个基于领域适应算法的建议优化策略，通过预测完全随机的建议策略下的建议效果来实现学习，比目前最先进的因子分解方法、因果推断等方法有着明显的提升。

Jun, 2017

RNE：面向亿级推荐的可扩展网络嵌入

本文提出了一种基于网络嵌入的数据有效性推荐方法 RNE，该方法能够针对亿级场景进行个性化和多样化推荐，同时保持用户和项目之间的本地结构并建模用户兴趣的多样性和动态性以提高推荐质量，而且还能够在分布式方式下实现，显著优化可扩展性。实验证实，在淘宝亿级规模的推荐场景下，RNE 与基于 CF 的方法相比，能够同时实现高质量和多样化结果，在 Pinterest 数据集上也展现出了显著优越性能。

Mar, 2020