WWWApr, 2019

个性化捆绑列表推荐

PDF
TL;DR该研究提出了一种名为 BGN 的捆绑列表生成网络，使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分，并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法，特别是在捆绑列表推荐问题中，将最佳竞争对手的精度平均提高了 16％，同时保持了四个数据集中最高的多样性，并使响应时间提高了 3.85 倍。
product bundlinge-commercerecommendationstructured predictiondiversity
发现论文，激发创造
  • 非自回归个性化捆绑生成

    本文介绍了一种基于非自回归机制的个性化捆绑生成方法，采用了预训练技术和图神经网络来提取用户偏好和物品兼容性信息，并使用自注意力机制的编码器来提取全局依赖模式，进而设计了一种置换等变的解码架构，能够直接一次性输出所需的捆绑，实验结果表明，所提出的 BundleNAT 在精度、增强精度和召回率上相较于当前最先进方法显著提高了 35.92％、10.97％和 23.67％。

    Jun, 2024

  • 基于图卷积网络的捆绑推荐

    本研究提出了一种名为 BGCN 的图神经网络模型，可以使用异构图同时建模用户 - 项目交互，用户 - 套餐交互和套餐 - 项目关联，通过固定负样本采样进行训练，能够更好地区分用户对相似套餐的喜好，并且在两个真实世界数据集上展现了强大性能的提升

    May, 2020

  • 基于部分共享参数的多任务学习实现精确束匹配和生成

    本文提出了一种名为 BundleMage 的方法，通过自适应门技术将用户的偏好与商品捆绑包混合来提高准确性，学习一种生成模型，然后利用用户偏好和给定不完整捆绑包的特征，生成个性化的捆绑包。

    Oct, 2022

  • 电子商务套餐推荐中的高斯图与典型对比学习

    本文提出了一种利用高斯图与原型对比学习（GPCL）框架来解决捆绑推荐中的不确定性和采样偏倚问题的方法，并在公共数据集上取得了最新的最佳性能。

    Jul, 2023

  • 基于最近邻的上下文动态学习用于束生成

    利用大型语言模型的逻辑推理能力，本文探索个性化捆绑生成和基于用户交互的意图推断这两个相关的任务，通过引入动态上下文学习范式，使 ChatGPT 能从相关会话中的示范中获取量身定制和动态的教训，并在目标会话中执行任务。实验结果在三个真实数据集上证实了我们方法在这两个任务上的有效性。此外，推断的意图对于其他有趣的下游任务，如设计吸引人的捆绑名称，也能发挥作用。

    Dec, 2023

  • 基于超图增强的双卷积网络的绑定推荐

    本文提出了一种称为超图增强的双卷积神经网络模型（HED）的捆绑推荐方法，通过构建一个完整的超图来捕捉用户、物品和捆绑之间的交互动态，并整合 U-B 交互信息以增强用户和捆绑嵌入向量的信息表示，实验证明 HED 在 Youshu 和 Netease 数据集上优于当前最先进的技术，证明了其有效性。

    Dec, 2023

  • Bundle MCR: 面向会话式的捆绑推荐

    本研究旨在探索 Bundle MCR 的推荐任务，并提出了一种新的框架，将其作为多智能体的 Markov 决策过程来描述，并提出了一种名为 Bunt 的模型体系，实现了通过多轮会话透露用户兴趣，解决打包推荐时存在的交互效率低和输出空间大的问题。实验证明了该方法的有效性。

    Jul, 2022

  • 多视角意图解缠图网络用于束推荐

    提出了一种名为 Multi-view Intent Disentangle Graph Networks（MIDGN）的新模型，可以更精确、全面地捕捉用户意图的多样性和物品的联系，并通过对比学习框架，改善了从不同视角解开的用户意图。实验表明，MIDGN 优于现有的最先进方法。

    Feb, 2022

  • 基于偏好动态调整和属性感知的相关推荐网络：DPAN

    电子商务平台中，我们提出了一种名为 DPAN 的新方法，通过学习细粒度的相似性和多样性表示并捕捉用户在不同条件下的动态偏好，来预测相关推荐中的点击率（CTR），经过离线实验和在线 A/B 测试的验证，CTR 提高了 7.62%。

    Aug, 2023

  • 多意图翻译图神经网络下的购物篮推荐

    本文提出了一种名为 MITGNN 的新框架，旨在处理篮子推荐中存在的多种意图的问题，并使用多头聚合器学习关系向量和邻居聚合，从而加强用户和物品的嵌入学习。

    Oct, 2020