KDDSep, 2019

神经混合推荐：推荐需要合作

PDF
TL;DR该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。
deep learningrecommender systemsneural networksitem predictiondata sources
发现论文，激发创造
  • 神经协同排名

    本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

    Aug, 2018

  • 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

  • 借助循环神经网络进行具有上下文的混合会话新闻推荐

    提出了一种基于上下文、深度学习的会话式新闻推荐方法，通过考虑文章流行度和新颖性等多种信息类型，显著提高了推荐准确性和目录覆盖率，并且能够在准确性和新颖性之间进行平衡。

    Apr, 2019

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 利用分层图神经网络增强全局上下文的社交推荐

    本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

    Oct, 2021

  • 推荐系统中异构关系学习的最新进展

    调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。

    Oct, 2021

  • 基于深度学习的推荐系统：综述与新视角

    本文综述了基于深度学习的推荐系统的最新研究进展，提出和总结了深度学习推荐模型的分类法和现有技术的综述，同时扩展了当前趋势并提供了对这一新兴领域的新见解。

    Jul, 2017

  • 基于时间建模的混合模型用于顺序推荐系统

    本文介绍了基于深度学习的推荐系统方法，特别是基于循环神经网络、transformers 和 attention 机制的方法。通过多次实验和改进 Neural Attentive Recommendation Machine (NARM)，我们的研究表明优化后的 NARM 是所有现有基准方法中表现最好的。

    Mar, 2021

  • 新闻推荐系统：最近进展、挑战和机遇的评估

    本文介绍了新闻推荐系统领域面临的挑战及其最新解决方案，其中包括传统模型和基于深度学习的模型。在探讨用户行为对于推荐效果的影响以及可能的解决方案时，为研究者和业界提供了最前沿的知识。

    Sep, 2020

  • 面向个性化推荐系统的深度学习推荐模型

    该论文提供了一个使用 PyTorch 和 Caffe2 框架实现的深度学习推荐模型，该模型使用模型并行处理嵌入层以缓解内存限制，并利用数据并行扩展计算。与现有模型相比，该模型在 Big Basin AI 平台上的表现得到了完善的特性和良好的性能，并可作为未来算法实验和系统设计的基准。

    May, 2019