Jan, 2019

通过分形扩展实现可扩展的逼真推荐数据集

PDF
TL;DR通过扩展现有的公共数据集并使用 Kronecker 图理论，我们开发了一种技术，可以保留用户参与度、项目流行度以及用户 / 项目交互矩阵奇异值谱的关键高阶统计特性，从而构建大型真实合成数据集，用于可靠地对推荐系统及其训练系统进行基准测试。
recommender systemuser/item incidence matriceskronecker graph theorysynthetic data setsmovielens
发现论文，激发创造
  • 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

  • 泊松因子分解的可伸缩推荐

    研究使用贝叶斯泊松矩阵因式分解模型对大量的稀疏用户行为数据进行推荐，并应用于电影评分、歌曲收听和科学论文阅读等领域，结果表明其优于传统矩阵因式分解方法。

    Nov, 2013

  • 基于树结构深度模型的推荐系统学习

    本文提出一种基于树的方法来解决推荐系统中引入更多表现形式且更为复杂的模型（例如深度神经网络）时所面临的计算困难问题。我们的方法可以提供对数级的计算复杂度，并在两个大规模真实世界数据集上取得了较好的实验效果，同时在淘宝广告平台的在线 A/B 测试中也证明了它在生产环境下的有效性。

    Jan, 2018

  • 基于聚类的矩阵分解

    本文提出了一种将通用邻域信息添加到推荐模型的矩阵分解扩展，并将用户和项目分成不同的类别，以查看这些类别共享的偏好。实验证明，将类别的通用潜在特征应用于分解的推荐模型可以提高推荐的准确性。

    Jan, 2013

  • 针对长尾中的用户和物品的自适应矩阵补全

    本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。

    Apr, 2019

  • 可扩展的双曲推荐系统

    我们提出了一个大规模的双曲线推荐系统，使用双曲几何作为基础几何模型可以显著提高推荐效果，并通过使用 Einstein 中间点等策略，实现了对数百万用户和数十万物品的大规模推荐。

    Feb, 2019

  • 基于社交矩阵分解的协同主题回归推荐系统

    本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法，并结合主题建模和概率矩阵分解，从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性，并展现了该算法在推荐系统方面优于现有方法的实验结果，揭示了社交圈在信息的决策过程中比个人品味更具影响力，以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。

    Jun, 2012

  • 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

  • 协同翻译度量学习

    本文介绍了 TransCF 推荐算法，通过利用邻域信息，利用翻译机制构造用户 - 项目特定的翻译向量，并根据用户与项目的关系把用户向项目进行翻译， 用于解决潜在用户 - 项目关系建模的难题，实验表明该算法在现实世界数据集上具有优异的推荐性能，超过了现有方法。

    Jun, 2019

  • 利用基于递归多图神经网络的几何矩阵补全技术

    本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络，以学习有意义的统计图结构模式和非线性扩散过程，从而生成已知的评分，具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验，表明该方法优于现有技术。

    Apr, 2017