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
本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架,称为 “NCF”,包括采用多层感知器来学习用户与物品交互功能,实验表明该框架可以显著提高推荐效果。
Aug, 2017
通过将深度学习技术应用于推荐系统,本文提出了一种改良的跨属性矩阵因子分解模型,该模型不仅考虑了用户与物品之间的交互,还跨越了相关属性,有效解决了冷启动问题。实验证明,在高数据稀疏性的情况下,该模型在 Movielens 和 Pinterest 数据集上表现优越。
Aug, 2023
本文介绍了一种名为 item2vec 的基于嵌入式神经网络方法,用于处理协同过滤问题,该方法的实验结果表明,它能够有效地推断物品之间的关系并且与 SVD 方法具有竞争性。
Mar, 2016
本文提出了一种基于文本向量表示的协作过滤算法,用于在获取商品评分困难的情况下进行推荐,并与现有的算法进行了对比验证其有效性。
Mar, 2017
本文探讨了一种替代方法,不再假设用户未交互的物品一定是消极的,而是假设比用户交互过的物品更不受偏爱,并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明,相比于几种最先进的方法,我们的方法具有更优异的性能。
Aug, 2018
本文探讨了通过神经协同过滤中的多层感知机 (MLP) 学习相似性和点积进行组合嵌入的方法,并证明在恰当的超参数选择下,使用简单的点积可以显著优于所提出的学习相似性的方法。
May, 2020
本文提出了一种新的协作推荐系统框架,即协作推理 (CR),将学习和推理融为一体。该框架通过一种神经模块化的形式,将符号推理操作嵌入到基于神经网络的模型中,将逻辑表达式等价地组织为神经网络,从而实现了在连续空间中进行逻辑推理和预测。实验证明,与现有的浅层、深层和推理模型相比,本文提出的框架具有更好的推荐性能。
该研究提出了一种名为 LCMR 的神经框架,利用本地和集中记忆来处理内容信息和交互数据,以提高协同过滤推荐系统的性能,该方法在实际数据集上表现出较好的表现。
Apr, 2018
本篇论文研究了如何将结构化知识应用于可解释性推荐引擎中,提出了一种基于知识嵌入的框架,能够在保留用户和项目关系结构的同时,生成个性化解释说明推荐结果,并在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。
May, 2018