Nov, 2018

基于深度项目的协同过滤进行 Top-N 推荐

PDF
TL;DR通过使用非线性神经网络来建模更高阶级别的电影推荐系统中交互产品之间的关系并使用注意力网络来建模更精细的第二阶交互，可以有效地提高推荐质量。
item-based collaborative filteringmachine learningnonlinear neural networkshigher-order interactionattention network
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

  • 关系协同过滤：建模多个物品关系进行推荐

    该研究提出一种名为 “关系型协同过滤” 的推荐系统通用框架，通过利用多个项目间的关系 (meta-data, functionality 等) 并发展出一种两层次的层级注意机制来对用户偏好进行建模。对推荐任务进行联合训练，以保持项目之间的关系结构，该模型表现出了强大的性能表现。

    Apr, 2019

  • 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

  • 深度社交协同过滤

    本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

    Jul, 2019

  • NAIS: 基于神经网络和注意力机制的推荐物品相似性模型

    本文介绍了一种名为 NAIS 的神经网络模型，该模型通过引入注意力网络来学习物品之间的相似度，从而对基于物品的协同过滤进行了改进和优化。与现有的基于物品的 CF 方法相比，NAIS 在表达能力上更强，且只需要额外引入少量参数。实验证明，NAIS 在两个公共基准测试集上达到了显著的提升，为基于神经网络的推荐系统的未来发展开辟了新的研究方向。

    Sep, 2018

  • 推荐系统的协作深度学习

    本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

    Sep, 2014

  • 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

  • 使用用户 - 项目共自回归模型的协同过滤

    文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型，它可以处理大规模的协同过滤任务，并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。

    Dec, 2016

  • 协同过滤中高效的神经交互函数搜索

    本文提出了一种在协同过滤中搜索简单神经交互函数的方法，称之为简单神经交互函数（SIF）。实验结果表明，该方法比流行的自动机器学习方法更高效，可以获得比现有协同过滤方法更好的预测性能，并且可以为不同的数据集和任务发现不同的交互函数。

    Jun, 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