WWWJun, 2019

协同过滤中高效的神经交互函数搜索

PDF
TL;DR本文提出了一种在协同过滤中搜索简单神经交互函数的方法，称之为简单神经交互函数（SIF）。实验结果表明，该方法比流行的自动机器学习方法更高效，可以获得比现有协同过滤方法更好的预测性能，并且可以为不同的数据集和任务发现不同的交互函数。
collaborative filteringinteraction functionautomated machine learningneural interaction functionsprediction performance
发现论文，激发创造
  • 基于深度项目的协同过滤进行 Top-N 推荐

    通过使用非线性神经网络来建模更高阶级别的电影推荐系统中交互产品之间的关系并使用注意力网络来建模更精细的第二阶交互，可以有效地提高推荐质量。

    Nov, 2018

  • 协同过滤的高效数据特定模型搜索

    本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

    Jun, 2021

  • 神经协同过滤

    本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

    Aug, 2017

  • 神经协同过滤与矩阵分解再探讨

    本文探讨了通过神经协同过滤中的多层感知机 (MLP) 学习相似性和点积进行组合嵌入的方法，并证明在恰当的超参数选择下，使用简单的点积可以显著优于所提出的学习相似性的方法。

    May, 2020

  • 基于外积的神经协同过滤

    本研究针对协同过滤提出新的多层神经网络架构 ONCF，采用外积表达嵌入空间维度之间的相关性，提出在卷积神经网络上应用外积来学习高阶相关性的方法，并在公共数据集上进行了大量实验以验证其有效性。

    Aug, 2018

  • AutoFIS: 基于分解模型的点击率预测自动特征交互选择

    本文提出了一个自动特征交互选择的两阶段算法（AutoFIS）来改进推荐系统中的 CTR 预测。该算法可以基于因子分解模型自动识别重要的特征交互，从而显著提高了各种基于 FM 的模型的性能。

    Mar, 2020

  • UIPC-MF: 用户 - 物品原型连接矩阵分解用于可解释协同过滤

    UIPC-MF 是基于原型的矩阵因式分解方法，用于可解释的协同过滤推荐，通过学习反映用户和物品原型之间关联关系的连接权重，提供更好的透明度和较高的推荐性能。

    Aug, 2023

  • 基于 Jacobi 多项式的用户 - 物品图信号处理的图协同过滤算法

    基于谱变换的方法提出设计 JGCF, 该方法有效地处理稀疏数据集与冷启动用户，并在四个公共数据集上实验表明其在阿里巴巴 - iFashion 等数据集中的性能最高可带来 27.06% 的性能提升

    Jun, 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

  • 主动式协同过滤

    本文讨论的是在线和交互式协作过滤中的查询问题，并提出了使用离线原型设计和计算期望信息价值的界来减小在线计算的开销，重点研究了多因素向量量化模型的案例。

    Oct, 2012