WWWFeb, 2019

协同相似嵌入在推荐系统中的应用

PDF
TL;DR提出了一种协作相似度嵌入模型（CSE），该模型利用了用户 - 项目二分图中可用的全面协作关系，用于表示学习和推荐，通过直接接触和 k - 阶邻域接近度学习用户 - 项目关联，并且针对性地设计了一种采样技术来捕捉这两种不同类型的接近度关系。在 8 个基准数据集上进行的广泛实验证明 CSE 优于最先进的推荐方法。
发现论文，激发创造
  • 共嵌套：通过映射在二分图上发现社群

    本文提出了一种基于项目投影的共同聚类算法，以解决处理双向图时向量空间模型表现的问题。通过在聚类检索任务中测试，该算法能够产生平衡良好的聚类和相关项目，并导致高的检索得分。

    Sep, 2021

  • 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

  • 清晰相似性以提升基于内存的推荐系统

    分析了基于记忆的协同过滤方法中的相似性估算器的谱特性，说明 Pearson 和 cosine 相似性估算器中存在的噪声和特征值扩散问题，提出了一种简单的重新缩放和噪声清理方案，使基于记忆的方法表现更好。

    May, 2019

  • 关系句子嵌入用于灵活语义匹配

    研究了建立新的 Relational Sentence Embedding（RSE）范式以更好地发现句子嵌入潜力，提出了一种关联嵌入学习方法，作用在源句子上，推断出使用现有的 Siamese-based encoder 的对应目标句子，从学习的嵌入中可以计算出细粒度的关系相似度得分。该方法在 19 个任务中进行了基准测试，取得了良好的效果。

    Dec, 2022

  • 协同信号：通过图神经网络利用协同参与和语义链接

    基于语义的图神经网络（SemanticGNN）是在大规模知识图谱中建模实体、语义概念、协作边和语义边，并对其进行表示学习的一种新颖的图模型，通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。

    Dec, 2023

  • SimCSE: 简单的对比学习句子嵌入

    本文介绍了一种简单的对比学习框架 SimCSE，通过无监督和监督学习两种方法，显著提高了句子嵌入的性能，适用于语义文本相似性任务。

    Apr, 2021

  • 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

  • 基于神经相似性度量的大规模推荐系统近似最近邻搜索

    本研究中，我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数（例如深度神经网络），并使用可插拔的对抗性训练任务来保证搜索结果的准确性；通过在开源和工业数据集上的实验证明了我们方法的有效性，并在淘宝展示广告平台上进行了全面部署，带来了相当可观的广告收入增长。

    Feb, 2022

  • 基于双边邻居协同关系建模的顺序推荐

    提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

    Nov, 2019

  • 使用文本数据的个性化神经嵌入协同过滤

    本论文提出了一种个性化神经嵌入框架 (PNE)，通过融合互动和单词来预测用户对物品的期望，解决了传统协同过滤方法中物品与用户关系稀疏的问题，并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时，通过可视化展示了 PNE 可以学习到有意义的单词嵌入。

    Mar, 2019