Aug, 2019

CosRec: 用于时序推荐的二维卷积神经网络

PDF
TL;DR本文提出了一种基于 2D 卷积神经网络的序列推荐方法 CosRec，通过建模成对物品之间的关系，有效地表示了顺序特征并捕捉了复杂的物品相关性，实验结果表明，该方法在公共数据集上表现优异，达到了最先进的性能水平。
sequential patternsrecommender systemspairwise relationshipsconvolutional networkstate-of-the-art performance
发现论文，激发创造
  • 通过卷积序列嵌入进行个性化 Top-N 顺序推荐

    本文介绍了一种卷积序列嵌入推荐模型（Caser），它使用卷积过滤器将一系列最近的物品嵌入到时间和潜在空间中的 “图像” 中，并学习局部特征作为连续模式，这种方法为捕获一般偏好和连续模式提供了统一和灵活的网络结构。实验显示，Caser 在各种常见评估指标上始终优于最先进的连续推荐方法。

    Sep, 2018

  • 基于双边邻居协同关系建模的顺序推荐

    提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

    Nov, 2019

  • AutoSeqRec：用于高效顺序推荐的自编码器

    AutoSeqRec 是一种用于顺序推荐任务的增量推荐模型。它基于自编码器，由编码器和三个解码器组成。通过重建用户 - 物品交互矩阵和物品转换矩阵的行列，捕捉用户的长期偏好和短期兴趣，最终实现了准确性、鲁棒性和高效性的提升。

    Aug, 2023

  • 自注意力序列推荐

    本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

    Aug, 2018

  • 一个简单的卷积生成网络用于下一个物品推荐

    本文研究了基于会话的下一个项目推荐，发现现有的生成模型和网络结构无法很好地建模项序列中的长距离依赖关系，因此提出了一种简单而有效的生成模型，用于学习从短时至长时的项目依赖的高级表示。文中提出的模型的网络结构由一堆突出卷积层（可以有效地增加感受野而不依赖于池化操作）组成，并在推荐系统中采用残差块结构，以便更深的网络优化。该模型在下一个项目推荐任务中具有最先进的准确性，训练时间较短，尤其是在存在长序列用户反馈的情况下表现出色。

    Aug, 2018

  • 一种职位推荐系统的时间学习和序列建模

    本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

    Aug, 2016

  • 利用基于递归多图神经网络的几何矩阵补全技术

    本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络，以学习有意义的统计图结构模式和非线性扩散过程，从而生成已知的评分，具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验，表明该方法优于现有技术。

    Apr, 2017

  • 基于翻译的推荐系统

    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

  • 具有时间图协同变换器的连续时间序列推荐

    提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

    Aug, 2021

  • CSRN：面向新闻检索的协作式序列推荐网络

    本文提出了一种基于深度神经网络的协同式时序推荐网络（CSRNs）框架，将利用用户最近的浏览历史来预测未来事项的 RNN 序列推荐方法与 UserCF 的关键想法相结合，考虑到新闻阅读中的社会影响，通过建立用户之间的定向共读网络来捕捉细粒度的主题特定的相似性，并利用邻居模型来选择新闻文章并进行个性化推荐，实验表明，该模型明显优于现有的最先进方法。

    Apr, 2020