频谱增强的成对学习排序
我们提出了一种基于谱图小波的协同过滤框架,用于隐式反馈数据的个性化推荐,通过将用户、物品及其交互表示为一个二分图,利用自适应转换函数和深度推荐模型,来学习用户和物品的低维表示,同时促进推荐质量。实验证明,相比基准方法,我们的模型在真实世界的基准数据集上取得了更好的推荐效果。
Dec, 2023
本文利用预先训练的深度神经网络提取商品图像的视觉特征,并在此基础上构建一个可扩展的因式分解模型,将视觉信号与人们的偏好相结合,从而提高了个性化推荐和排名的准确性,并缓解了 “冷启动” 问题。
Oct, 2015
该论文研究了在一般和更实际的设置中使用光谱方法估计和不确定性量化未观察到的被比较实体的偏好分数的性能,其中比较图包含可能具有异构大小的超边,并且对于给定超边,比较的数量可以低至一次。此外,在适用 BTL 或 PL 模型的情况下,我们揭示了光谱估计量与最大似然估计量之间的关系。我们发现,使用从等权重光谱方法估计的最优加权的两步光谱方法可以达到与 MLE 相同的渐近效率。鉴于估计的偏好分数的渐近分布,我们还介绍了一个全面的框架,可以在固定和随机图设置中进行一样本和两样本排名推断。值得注意的是,这是首次提出有效的双样本排名测试方法。最后,我们通过全面的数值模拟验证了我们的发现,然后应用我们开发的方法对统计学期刊和电影排名进行统计推断。
Aug, 2023
研究论文提出了一种新的监督个性化排序(SPR)损失函数,改进了常用的点级和对级损失函数的问题,通过利用先前的知识信息,构造 <用户、相似用户、正面项目、负面项目> 四元组,大大加快了收敛速度,提高了推荐性能。
Jul, 2022
本文提出了一种用于排序一系列物品的序列算法,将基于成对比较构建相似性矩阵后使用序列方法进行排序。在排名恢复和噪声处理方面,它比传统评分方法更具鲁棒性,并且还可以解决半监督排名问题。使用该算法进行排名的表现竞争性更好。
Jun, 2014
本研究提出了一种利用谱域进行深度协同过滤的新模型 - Spectral Collaborative Filtering (SpectralCF),能够在用户 - 物品二部图的谱域中直接进行学习,发挥图中的信息优势,解决协同过滤中的 “冷启动” 问题,并在多个标准数据集上明显优于现有模型。
Aug, 2018
分析了基于记忆的协同过滤方法中的相似性估算器的谱特性,说明 Pearson 和 cosine 相似性估算器中存在的噪声和特征值扩散问题,提出了一种简单的重新缩放和噪声清理方案,使基于记忆的方法表现更好。
May, 2019
本文研究了使用隐式反馈(点击、购买等)的个性化推荐任务,提出了一种基于贝叶斯分析的最大后验估计通用优化准则(BPR-Opt)和基于随机梯度下降与自助抽样的通用学习算法。实验证明,该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。
May, 2012
本文介绍了一种用于对图和图片进行对比学习的新颖的光谱特征增强方法,通过不完全的幂迭代,可以部分平衡特征图的频谱,注入噪声,从而实现光谱增强,提高了泛化能力,是一种与其他增强策略互补且兼容各种对比损失的方法。
Dec, 2022