本文提出了一种自监督的协同过滤框架 (SelfCF),能够用于隐式反馈的推荐场景,该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型,通过三种输出扰动技术来增强骨干网络生成的嵌入,尽管不区分背骨模型,但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性,训练速度为 2×-4×,平均能提升 17.79%与自我监督框架 BUIR 相比。
Jul, 2021
本研究提出了一种层次贝叶斯模型,名为 CDL,其通过深度表示学习和协作过滤来处理稀疏的推荐数据,并在三个真实世界数据集上验证了其有效性。
Sep, 2014
本文提出了一种基于文本向量表示的协作过滤算法,用于在获取商品评分困难的情况下进行推荐,并与现有的算法进行了对比验证其有效性。
Mar, 2017
我们提出了 AgentCF,通过基于代理的协同过滤来模拟推荐系统中的用户 - 项目交互,优化代理以模拟其二者之间的关系,并展示了个性化行为,引发了下一代用户行为模拟的发展。
Oct, 2023
本研究探究回推协作过滤算法中被反馈循环所影响的用户评分矩阵,提出了衡量推荐系统对其整个评分矩阵影响的度量,并通过合成和实际数据集验证了其在还原固有用户偏好上的可用性。
本文介绍了 DSCF,一种新型的深度社交协同过滤框架,通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战,包括利用用户 - 项目交互和社交网络信息进行深度学习,使用邻居的信息并考虑特定推荐情况,以及了解邻居对项目的不同意见对用户的影响等,实验证明该框架的有效性。
Jul, 2019
该研究论文提出一种基于经验预测误差和方差的新标准,用于更好地捕捉协同过滤设置中跨领域的一致性,从而在提高评分预测精度方面显著改进了几项最先进的方法。
Oct, 2012
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
基于协同过滤模型的课程推荐引擎的提出与优化,解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战,并通过基于课程转换网络的图推荐器,实现了真实数据集 AUC 值高达 0.97。
Nov, 2023
文章提出了一种利用强化学习学习交互过程中优化策略的推荐系统,通过深度学习框架将正反馈同时整合到系统中进行优化,证明了该方法可以提高推荐精度。
Feb, 2018