Jun, 2019

面向协同过滤的分摊排序关键训练

PDF
TL;DR本文提出了一种基于 actor-critic reinforcement learning 的协同过滤训练方法，使用 critic network 逼近排名度量指标，并通过 update actor network 来直接优化学习出的指标，当前方法好于现有的基于深度学习的方法，并被证明在大规模实际数据集上效果显著。
collaborative filteringvariational autoencodersactor-critic reinforcement learningranking-based metricsdeep learning
发现论文，激发创造
  • 协同过滤的变分自编码器

    本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。

    Feb, 2018

  • 一种用于协同过滤的混合变分自编码器

    本文利用变分自编码器和电影嵌入向量，应用于电影推荐，通过 VAE 网络获取潜在表示，探索了合作式过滤的新方法。

    Jul, 2018

  • 使用变分自编码器和异质先验进行物品推荐

    本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法，实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。

    Jul, 2018

  • 对抗与对比变分自编码器用于序列推荐

    本文提出了一种名为 ACVAE 的新方法，利用变分自编码器（VAE）和对抗训练来生成高质量的潜在变量，同时使用对比损失来学习个性化特征，并在捕捉序列的全局和局部相关性之前引入了卷积结构，实现了基于序列的推荐，实验表明，ACVAE 模型胜过其他现有的方法。

    Mar, 2021

  • 基于顺序变分自编码器的协同过滤

    本文中我们提出了一种基于循环神经网络的变分自编码器模型，用于建模用户偏好，并且通过处理时间信息以改善精度。我们的模型可以捕捉用户消费序列中的时间依赖关系，并保持变分自编码器的基本特征。

    Nov, 2018

  • RecVAE：一种新的变分自编码器，用于使用隐式反馈的 Top-N 推荐

    该论文提出了基于变分自编码器的推荐 VAE（RecVAE）模型，通过多种方法改进了 Mult-VAE 模型并优于以前提出的基于自编码器的模型，实验结果表明 RecVAE 显著优于先前提出的基于自编码器的模型。

    Dec, 2019

  • 协同过滤的深度自编码器训练

    本文提出了一种基于深度自编码器的新模型，通过对 Netflix 数据集进行评分预测任务，相对于之前的模型具有明显优势。该模型不需要层预训练，采用 6 层自编码器进行端到端的训练，通过实验证明：深度自编码器模型的泛化能力比浅层模型更好，负部分的非线性激活函数对于训练深度模型至关重要，必须大量采用正则化技术，如 dropout，以防止过拟合。此外，我们提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法显著加速了训练并改善了模型性能。

    Aug, 2017

  • 图变分嵌入协同过滤

    推荐系统中，通过使用图卷积网络中的变分嵌入进行预训练，取得了改善特征传播的效果，进而提高回忆率和归一化折现累积增益指标。

    Nov, 2023

  • 神经互动协同过滤

    本文研究基于交互反馈的协同过滤推荐系统，提出了一种使用神经网络进行探索策略的方法，并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略，在三个标准数据集上的实验证明了该方法的优越性。

    Jul, 2020

  • SVD-AE：协同过滤的简化自编码器

    通过设计一种基于奇异向量分解（SVD）的线性自编码器，该研究提出了一种简单而有效的 SVD-AE 算法，该算法不需要迭代训练过程，可以通过 SVD 的闭式解进行计算，提高了推荐系统的噪声容忍性和效率。

    May, 2024