Dec, 2018

时间至上：一种联合分级 RNN 和点过程模型的时间和项目预测方法

PDF
TL;DR本文提出了一种基于 Hierarchical RNN 和 Point Process 模型的联合模型，在推荐和用户回归时间预测方面显著提高了推荐质量。
session-based recommendationrecurrent neural networksinter-session relationstemporal aspectsreturn-time prediction
发现论文，激发创造
  • 使用分层循环神经网络进行基于会话的个性化推荐

    本文研究在基于会话的推荐系统中，如何通过跨会话信息传递的层次循环神经网络模型，实现对用户兴趣的个性化推荐，数据实验表明该方法优于单纯使用基于会话的神经网络推荐方法。

    Jun, 2017

  • 面向会话的推荐系统的跨会话建模

    本文提出了一种扩展 RNN 推荐系统的方法，通过使用第二个 RNN 学习用户最近的会话并预测当前会话中的用户兴趣，以改善在 Seesion 开始时提供的推荐，实验证明该方法可以显著提高推荐性能。

    Jun, 2017

  • 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

  • 用于长短期顺序推荐的循环神经网络

    本篇研究探讨了 RNN 模型在短期和长期的推荐任务中的表现，发现堆叠的带有层归一化和相同物品嵌入的 RNN 模型表现最佳，能够准确预测用户的短期和长期交互。

    Jul, 2018

  • 基于循环神经网络的会话式推荐

    我们提出了一种基于循环神经网络 (RNN) 的会话推荐方法，考虑到实际问题和数据缺乏的情况，并引入了一些修改，如排序损失函数。实验结果表明，与广泛使用的方法相比，我们的方法在两个数据集上都有明显的改进。

    Nov, 2015

  • 基于会话的推荐的改进循环神经网络

    本研究探讨使用循环神经网络 (RNNs) 进行基于会话的推荐任务，并提出了数据增强和考虑输入数据分布变化的方法，同时通过实验证明使用通用蒸馏和直接预测项目嵌入的新模型相对于传统模型在 RecSys Challenge 2015 数据集上分别在 Recall@20 和 Mean Reciprocal Rank@20 指标上改进了 12.8% 和 14.8%。

    Jun, 2016

  • 学习用户偏好的异质时间模式以实现及时推荐

    提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

    Apr, 2021

  • 基于 Top-k Gains 的循环神经网络会话推荐

    该研究介绍了针对会话推荐的 RNN 模型的新型排名损失函数，与其他方法相比，这些损失函数表现出更好的性能，并且可以通过进一步细化和改进，实现相对于先前的 RNN 解决方案提高了 35% 的 MRR 和 Recall @20，比经典的协作过滤方法提高了 53% 的性能。

    Jun, 2017

  • 使用图神经网络重新思考基于会话的推荐的商品排序

    本文提出了一种新的基于会话图的推荐模型，该模型通过构建会话图，并协同考虑序列顺序和会话图的潜在顺序，将下一个项目推荐问题建立为图分类问题，并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集，Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。

    Nov, 2019

  • 使用递归神经网络进行推荐的上下文序列建模

    我们提出了一种新的上下文递归神经网络，可以在输入和输出层中考虑相关信息，将上下文嵌入与项目嵌入相结合，并在模型动态性中将隐藏单元转换参数化为上下文信息的函数，从而在下一事件预测任务上显示出良好的提高效果。

    Jun, 2017