WWWApr, 2019

用于动态推荐系统的分层时间卷积网络

PDF
TL;DR本研究提出了一种使用 Hierarchical Temporal Convolutional Networks (HierTCN) 的推荐系统，以动态预测用户将选择的下一个物品，该模型由两个级别的模型组成，可用于拥有大量用户和物品的 Web 规模系统，并可以超越动态推荐方法的最新水平。
recommender systemshierarchical temporal convolutional networksmulti-session interactionsweb-scale systemsdynamic recommendations
发现论文，激发创造
  • TempGNN：用于动态会话推荐的时间图神经网络

    用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐的研究已日益受到关注。我们提出了临时图神经网络（TempGNN），这是一个用于捕捉复杂项目转换中的结构和时间动态的通用框架，利用节点和边上的时间嵌入操作符对动态会话图进行表示。广泛的实验结果表明，通过将其插入现有的最先进模型，该方法的有效性和适应性。最后，TempGNN 在两个真实的电子商务数据集上取得了最先进的性能。

    Oct, 2023

  • 使用分层循环神经网络进行基于会话的个性化推荐

    本文研究在基于会话的推荐系统中，如何通过跨会话信息传递的层次循环神经网络模型，实现对用户兴趣的个性化推荐，数据实验表明该方法优于单纯使用基于会话的神经网络推荐方法。

    Jun, 2017

  • 可解释的基于时态卷积网络的 3D 人体动作分析

    本文提出了一种使用新型解释性模型 TCN 进行 3D 人体动作识别任务的方法 Res-TCN，并在最大的 3D 人体动作识别数据集 NTU-RGBD 上取得了最新的成果。

    Apr, 2017

  • 一个简单的卷积生成网络用于下一个物品推荐

    本文研究了基于会话的下一个项目推荐，发现现有的生成模型和网络结构无法很好地建模项序列中的长距离依赖关系，因此提出了一种简单而有效的生成模型，用于学习从短时至长时的项目依赖的高级表示。文中提出的模型的网络结构由一堆突出卷积层（可以有效地增加感受野而不依赖于池化操作）组成，并在推荐系统中采用残差块结构，以便更深的网络优化。该模型在下一个项目推荐任务中具有最先进的准确性，训练时间较短，尤其是在存在长序列用户反馈的情况下表现出色。

    Aug, 2018

  • 动态推荐的时序图网络框架

    我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。

    Mar, 2024

  • 深度时间上下文网络顺序预测社交媒体流行度

    研究了社交网络中内容传播的可预测性，提出了一种新的预测框架 Deep Temporal Context Networks (DTCN)，并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。

    Dec, 2017

  • 具有时间图协同变换器的连续时间序列推荐

    提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

    Aug, 2021

  • STCN：随机时态卷积网络

    本文提出了一种新的 STCN 体系结构，其将时间卷积网络（TCN）的计算优势与具有不同时间尺度的时间依赖性的随机潜在空间的表示能力和鲁棒性相结合，提高了多个任务的对数似然度，并且在手写文本建模中能够预测长时间跨度内的高质量合成样本。

    Feb, 2019

  • 用于序列推荐的分层门控网络

    该研究提出了一种分层门控网络（HGN），与贝叶斯个性化排名（BPR）相结合，用于捕捉长期和短期用户兴趣，实现顶部 N 的顺序推荐，并通过五个真实的数据集进行了广泛评估。

    Jun, 2019

  • 基于并行时空注意力的 TCN 模型用于多元时间序列预测

    该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

    Mar, 2022