推荐系统中基于树索引和深度模型的联合优化
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
通过发展 Bayes 最优方法和校准方法来理解和分析现有树模型中存在的训练 - 测试差异问题,并提出了一种新的算法来解决此问题,实验结果证明了该算法相较于现有方法具有更高的性能水平。
Jun, 2020
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
本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣,其中同时结合了短期会话和长期行为,成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题,并取得了很好的实验效果。
Sep, 2019
本文中介绍了 Deep Retrieval (DR) 算法,通过学习可检索结构来获取最优推荐结果,其编码所有候选项入离散潜在空间,接着使用当前模型下的光束搜索来检索前置候选项,以实现重新排名。实验证明,使用 DR 算法,在两个公共数据集上能够实现近乎于暴力基线的准确性,并且在实时生产推荐系统上,高度优化的 DR 算法显著优于 ANN 基准线。DR 是非 ANN 的推荐算法在工业推荐系统规模的首批成功部署之一。
Jul, 2020
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
本文提出了一种名为 MIND 的新颖模型,通过多向量编码用户多样的兴趣来解决工业推荐系统中的候选物品匹配和排序问题,并通过对公共基准数据集和天猫的大规模产业数据集进行广泛实验,证明了 MIND 的出色性能。
Apr, 2019
本文介绍了一种基于分类术语的潜在因子模型 (TF),并将其用于推荐系统,以提高推荐精度和处理数据稀疏性和冷启动问题,该模型将分类术语与潜在因素相结合,并使用加法模型。同时,该模型还利用高阶马尔科夫链考虑到用户兴趣的时间动态和能够处理大规模数据。使用真实世界的购物数据集进行实验证明该模型比现有方法具有更好的推荐性能和运行时间。
Jun, 2012
该研究旨在提高推荐系统的效果,通过结合知识图谱中的全局信息和用户 - 物品交互数据中的局部信息,使用一个创新的 Duet 表示学习框架 KADM 来训练语义融合网络,成功地解决了现有的基于知识图谱的方法只关注图中结构信息的缺陷。
Dec, 2020