协同翻译度量学习
提出了一种新的推荐技术,称为 “度量分解”,通过使用欧几里得距离测量用户和项目之间的显式接近度来克服矩阵分解中采用的点积无法满足不等式的问题。实验证明,我们的方法在评分预测和项目排名任务上均优于现有的最先进方法。
Feb, 2018
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
本文以 user-generated content 为基础,提出了一种新的模型 MR3,将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来,加入了 implicit feedback 从而提高了其预测精度。
Mar, 2018
本文提出了一种基于协作度量学习(Collaborative Metric Learning,CML)模型的层次模型,可以联合捕捉数据中的潜在用户 - 物品和物品 - 物品之间的关系,并在多个真实数据集上的推荐任务中表现出比现有模型更好的性能。
Jul, 2021
本文提出了一种推荐系统技术 ——CMTRF,它利用单调转换和矩阵分解回归对评分矩阵进行优化,避免非线性转换破坏矩阵的低秩结构,比其他最先进的基线算法表现更好。
Oct, 2018
本文提出了一种名为 TransRec 的方法,它可以将用户和项目之间以及项目之间的复杂交互建模,用于预测用户的个性化顺序行为,通过将项目嵌入到 “转换空间” 中,并使用用户来操作项目序列的翻译向量,以便捕捉第三阶交互关系。在广泛的真实世界数据集中,该方法表现优于现有方法。
Jul, 2017
本文提出了基于距离的推荐模型,通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法,以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施,成功地解决了个性化推荐系统面临的偏好信息获取难题,并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。
Jan, 2021
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
本文提出了一种可解释性推荐模型 Multi-Matrix Factorization(MMF),该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题,并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分,提供了更细粒度的分析,综合评测结果表明,MMF 在准确性方面优于现有模型。
Aug, 2019