推荐系统的领域间翻译模型
本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型,该模型在电影、图书和音乐三个领域的数据集上经过充分测试,表现优于其他传统模型。
Oct, 2019
提出一种面向冷启动用户的内容为基础的跨领域推荐方法,利用极端多类分类的形式来预测用户对物品的评分标签,构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络,实现了不依赖用户和物品重叠特征,不同领域之间的推荐, 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。
Mar, 2018
通过将扩展领域的知识转移到目标领域,提出了一种名为 Diffusion Cross-domain Recommendation (DiffCDR) 的新型 CDR 模型,其利用了扩散概率模型 (DPMs) 的概念和映射模块,在冷启动和热启动场景下,在各种 CDR 任务上超过了基线模型的效果。
Feb, 2024
本篇论文提出一种利用领域转换网络、知识蒸馏和对抗学习等方法,解决多领域翻译中通用和特定知识的统一建模问题,并在多种语言对上得到了比 fine-tuning 方法更为优秀的结果。
Nov, 2019
本文提出了一种名为 MAGRec 的方法,通过图神经网络在多域序列用户交互中进行高效学习,利用时间内和跨领域交互作为上下文信息进行学习,以解决多个域的负面知识转移问题并改善整体表示效果。实验表明,在不同场景下 MAGRec 一直优于现有的最先进方法。
Feb, 2023
本文介绍了『Domain Differential Adaptation(DDA)』的框架,该框架通过使用相关任务中的模型直接建模不同领域之间的差异,从而成功地应用于神经机器翻译的领域自适应中,并在多个实验设置中实现比其他替代方法更好的改进效果。
Oct, 2019
在现代商业搜索引擎和推荐系统中,数据来自多个领域被用于联合训练多领域模型。使用大型语言模型,提出了一种名为 S&R Multi-Domain Foundation 的新型框架,其中利用 LLM 提取领域不变的文本特征,并使用 Aspect Gating Fusion 将 ID 特征、领域不变的文本特征和任务特异性稀疏特征合并以获得查询和项的表示。同时,使用领域自适应多任务模块联合训练来自多个搜索和推荐场景的样本,获得多领域基础模型。将 S&R Multi-Domain Foundation 模型应用于冷启动场景中,以 pretrain-finetune 方式取得比其他 SOTA 迁移学习方法更好的性能。S&R Multi-Domain Foundation 模型已成功部署在支付宝移动应用的在线服务中,如内容查询推荐和服务卡片推荐等。
Sep, 2023
提出了一种基于双学习机制的跨领域用户行为建模方法,为两个相关领域建立双重的潜在嵌入,实现了在两个目标域上同时提高 CTR 预测性能的目标,实验证明了比其他最先进的模型表现更好的效率和性能。
Jun, 2021
提出了一种无监督的图像翻译框架,使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。
Aug, 2020
本文提出了一种基于元学习和多源领域自适应的多元偏好增强框架(MetaDPA),以解决稀疏交互和冷启动问题,并通过将多领域信息最大化约束(MDI)添加到变分自编码器的潜在表示上来学习领域共享和特定的偏好属性,同时通过互斥约束(ME)生成内容数据的多样化评分。实验结果表明,MetaDPA 明显优于当前最优秀的基线。
Apr, 2022