WSDMFeb, 2019

NAIRS：一种神经注意力识别推荐系统

PDF
TL;DR本文介绍了一种名为 NAIRS 的神经注意力可解释推荐系统，它采用自注意网络作为主要组成部分，使用注意力机制对用户交互物品进行加权，能够个性化高质量地进行推荐并提供视觉提示来解释推荐，演示应用程序能够与推荐系统进行交互并不断收集训练数据来改进系统。实验结果表明，NAIRS 是有效的。
neural attentive interpretable recommendation systemself-attention networkpersonalized recommendationvisual cuestraining data
发现论文，激发创造
  • 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

  • 有影响力的推荐系统

    本文提出了一种新的推荐范式：有影响力的推荐系统（IRS），通过序列推荐一系列精心选择的商品（称为影响路径），以引导用户喜欢特定的商品，我们提出了基于 Transformer 的连续模型：有影响力的推荐网络（IRN），该模型可以编码物品之间的序列依赖关系；我们引入个性化印象蒙版（PIM）来模拟用户对外部影响的接收度，以为用户生成最有效的影响路径。实验结果表明，IRN 明显优于基线推荐系统，并展示了它影响用户兴趣的能力。

    Nov, 2022

  • 神经注意力基于会话的推荐

    研究了如何在短时间内从用户的行为进行推荐，提出了一种新型的神经网络框架 NARM，通过注意力机制解决了仅利用当前会话中用户的顺序行为进行推荐的问题，同时结合用户当前会话中的主要目的，成功地提高了推荐算法的准确率和效率。

    Nov, 2017

  • 交互式注意力门控循环神经网络用于推荐

    本论文提出了一种交互式注意力门控循环网络 (IARN)，该方法采用注意力模型来衡量推荐过程中每个时间步的相关性，旨在更好地建模用户和物品的动态变化以及它们对用户 - 物品交互的共同影响，实现了对用户历史记录中不同时间步的有针对性的记忆，得到了比同类方法更好的推荐效果。

    Sep, 2017

  • NPA: 个性化关注的神经新闻推荐

    本研究提出了一种基于个性化注意力的神经新闻推荐模型，其中使用了卷积神经网络进行新闻表示建模并使用个性化注意力机制对用户建模，同时在一个真实世界的新闻推荐数据集上进行了广泛实验以验证模型的有效性。

    Jul, 2019

  • 面向信息获取会话系统的基于 Transformer 的意图感知响应排名

    本研究旨在提高个人助理系统中的回答质量，通过分析用户意图模式，提出了一种基于 Transformer 架构的意图感知自注意力模型（IART），结合了用户意图建模和语言表示学习，并在三个数据集上进行了实验，结果表明该模型优于基准方法。

    Feb, 2020

  • 可解释序列分类的迭代递归注意力模型

    介绍了一种迭代递归注意力模型，通过重用以前计算的查询结果来构建输入数据的递增表示，以便在情感分类数据集上训练，并演示其在易于解释的方式下识别和组合输入的不同方面的能力，同时获得接近最先进性能。

    Aug, 2018

  • AiR: 具有推理能力的注意力

    本文提出 Attention with Reasoning capability (AiR) 框架，使用注意力机制来理解和改善导致任务结果的过程，并通过一系列原子推理操作定义了一个评估指标来量化考虑推理过程的注意力。作者收集了人类眼动和答案正确性数据，分析了各种机器和人类注意力在推理能力和任务绩效方面的影响，并提出了一种监督方法，共同逐步优化注意力、推理和任务绩效，以便模型通过遵循推理过程来查看感兴趣的区域。最后，作者证明了所提出的框架在分析和建模注意力方面有更好的推理能力和任务绩效。

    Jul, 2020

  • 基于时间感知的自我注意力与逻辑推理相结合的推荐系统

    本文提出了一个基于时间感知的自我注意力协同推荐模型，将时间模式和自我注意力机制融入基于推理的推荐，提供更深层的用户偏好表示，并在基准数据集上进行了广泛的实验，表明该模型在推荐方面达到了显著的改进，并始终优于现有方法。

    Aug, 2022

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018