Jun, 2019

未来数据助力训练：为基于会话的推荐建模未来上下文

PDF
TL;DR我们提出了一种新的编码器 - 解码器框架 —— 基于填充缺失数据的推荐系统（GRec），通过缺失项填充机制来训练编码器和解码器，并考虑了精度和效率。实验表明，GRec 显著优于现有的序列推荐方法，并且未来的上下文对推荐的效用有很大的影响。
session-based recommender systemssequential dependenciesfuture dataencoder-decoder frameworkconvolutional neural network
发现论文，激发创造
  • 面向会话的推荐系统的跨会话建模

    本文提出了一种扩展 RNN 推荐系统的方法，通过使用第二个 RNN 学习用户最近的会话并预测当前会话中的用户兴趣，以改善在 Seesion 开始时提供的推荐，实验证明该方法可以显著提高推荐性能。

    Jun, 2017

  • 用于视频未来预测的折叠循环神经网络

    本研究介绍了双射门控循环单元，为计算机视觉中未来视频预测问题提供了一种有效的方法，能够使编码 / 解码器之间的状态共享并减少计算成本，达到了与最优方法相当的性能。

    Dec, 2017

  • 使用递归神经网络进行推荐的上下文序列建模

    我们提出了一种新的上下文递归神经网络，可以在输入和输出层中考虑相关信息，将上下文嵌入与项目嵌入相结合，并在模型动态性中将隐藏单元转换参数化为上下文信息的函数，从而在下一事件预测任务上显示出良好的提高效果。

    Jun, 2017

  • 利用时间衰减选择的顺序推荐的高效有效训练

    本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。

    Jul, 2022

  • 用于生成上下文感知查询建议的层次递归编码器 - 解码器

    本文提出了一种基于概率模型的搜索建议方法，使用新颖的分层递归编解码器架构，能够考虑任意长度的查询序列，实现上下文感知，解决数据稀疏问题，在下一个查询预测任务中优于现有上下文感知方法，并且可以用于许多其他应用。

    Jul, 2015

  • 基于会话的推荐的改进循环神经网络

    本研究探讨使用循环神经网络 (RNNs) 进行基于会话的推荐任务，并提出了数据增强和考虑输入数据分布变化的方法，同时通过实验证明使用通用蒸馏和直接预测项目嵌入的新模型相对于传统模型在 RecSys Challenge 2015 数据集上分别在 Recall@20 和 Mean Reciprocal Rank@20 指标上改进了 12.8% 和 14.8%。

    Jun, 2016

  • 增强解码器：训练递归神经网络进行时间序列预测

    本研究提出了一种名为增强解码器的新型训练方法，通过引入辅助模型生成备用解码器输入来解决多步骤时间序列预测中的累积误差问题，并利用强化学习算法动态选择最优输入以提高准确性。综合实验表明，该方法在多个数据集上优于常见训练方法。此外，该方法在基于自注意力的序列到序列预测模型中同样表现良好。

    Jun, 2024

  • 面向未来的多样趋势推荐框架

    本文提出了一种基于历史和未来偏好的新型推荐框架（FAT），通过同时考虑用户历史行为和未来趋势，获得更好的推荐效果。实验证明，该框架在现实数据集上表现优异，可以进行新鲜和互补推荐，较之其他序列推荐方法更具优势。

    Nov, 2020

  • 基于循环神经网络的会话式推荐

    我们提出了一种基于循环神经网络 (RNN) 的会话推荐方法，考虑到实际问题和数据缺乏的情况，并引入了一些修改，如排序损失函数。实验结果表明，与广泛使用的方法相比，我们的方法在两个数据集上都有明显的改进。

    Nov, 2015

  • 基于会话的推荐算法评估

    对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。

    Mar, 2018