高维回归协同过滤
本研究提出一种基于简单元素的线性模型,针对推荐系统的稀疏数据和隐式反馈数据,并展示其训练目标具有闭式解,该简单模型在所有公开数据集上都取得了比深度非线性模型更好的排名准确性。
May, 2019
该研究提出了一种使用参数化相似性度量的方法,将其作为具有特定稀疏结构的秩一矩阵的线性组合,此方法可以高效地处理高维稀疏数据,并通过近似的 Frank-Wolfe 过程优化参数以满足训练数据上的相对相似性约束,实验结果表明该方法具有分类、降维和数据探索的潜力。
Nov, 2014
提出了一种用于大规模商品推荐的多任务自监督学习(SSL)框架,通过学习商品特征的潜在关系来解决标签稀疏性问题,并通过数据增强方法提高模型泛化性能,结果表明此框架可以显著提高推荐系统的商业指标,在模型得到很少监控的情况下特别有效。
Jul, 2020
本文提出了 Wide & Deep learning 方法,通过联合训练宽线性模型和深度神经网络,结合了特征交互的记忆性和泛化性,用于推荐系统并在 Google Play 商店进行了实验验证,结果表明该方法显著提高了移动应用获取量。
Jun, 2016
提出了一种新的基于批处理的排名估算器和平滑的排名敏感损失函数的个性化排名框架,该框架比先前的工作具有更稳定和准确的排名近似,并且可以通过显式使用并行计算来加速训练,在三个物品推荐任务上取得一致的准确性改进和时间效率优势。
Nov, 2017
本文介绍了一种基于个性化多样化重新排序的方法,以增加不受欢迎的项目在推荐中的表现,同时保持良好的推荐准确性,并展示了其对比现有基于规范化的方法对处理受欢迎程度偏差更有效,同时检验了各种新的和现有的指标来衡量推荐中长尾商品的覆盖率。
Jan, 2019
本文针对协作排名问题展开研究,通过基于凸优化的算法和 AltSVM 这种大规模非凸实现方式,实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好,该算法展现出了在多个协作过滤数据集中 NDCG 和排名性能的许多中等规模基线的表现优势。
Jul, 2015