Nov, 2019

推荐系统研究中可重复性与进展的令人不安的分析

PDF
TL;DR研究推荐系统中个性化排序算法的设计，近年来基于深度学习（神经网络）技术的方法在文献中占主导地位。本研究通过重新实验验证最近基于协作过滤的神经网络推荐方法的结果，发现其中 11 种方法在概念上简单的最近邻启发式方法表现更好，计算复杂的神经网络方法并没有明显的优势。同时，发现当今研究实践中存在普遍问题，可能导致该领域的停滞。
recommender systemsdeep learningneural recommendationcollaborative filteringresearch practice
发现论文，激发创造
  • 最近神经推荐方法的令人担忧分析：我们是否真正取得了很大的进步？

    通过系统性分析 18 种不同的算法提案，深入研究热门的 “前 n 推荐任务” 中的最佳状态，发现在这些方法中只有一种效果明显优于对照组，而其余 6 种算法经常被可比较的简单启发式方法胜过，摆露了当下机器学习研究中的潜在问题，并呼吁在这一领域改善科学实践。

    Jul, 2019

  • 当新不如旧：深度学习是否真正有益于从隐式反馈中进行推荐？

    通过对 13 种流行的推荐模型进行大规模实验，首次提出了一组评估策略来比较神经模型和传统模型在推荐系统的表现，发现在不同方面神经模型都不一定优于传统模型，并且在子群体方面表现更优。

    May, 2023

  • 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

  • 会话型推荐算法的实证分析

    本文通过比较十二种算法，探讨了基于会话的推荐领域的最新进展和神经网络方法的现状，发现在大多数情况下，基于最近邻算法的简单启发式方法更优，而且经过用户研究表明这些推荐方法得到了用户的认可。

    Oct, 2019

  • 挑战图形协同过滤的神话：理性和可重复性分析

    我们的研究聚焦于图神经网络模型的可复制性，通过复现六种热门的图推荐模型在三个常见基准数据集上的结果来解决原有图模型研究中常采用未经验证结果的问题。此外，我们还将这些图模型与传统的协同过滤模型进行比较，并扩展研究至两个缺乏已建立的设置的新数据集，分析特定数据集特征对推荐准确度的影响，通过研究用户邻域信息流动，旨在识别数据集结构中的内在特征对模型的影响。

    Aug, 2023

  • 推动基线推荐系统的极限：结合意见挖掘和信息检索技术的综述

    本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

    May, 2022

  • 神经混合推荐：推荐需要合作

    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。

    Sep, 2019

  • 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

  • 深度学习软件故障预测的可复现性研究

    分析软件工程领域的软件错误预测是否存在与其他机器学习领域相似的可复现性问题，发现大部分研究文章缺乏关键的复现元素，呼吁改进研究实践以确保基于机器学习的研究的可复现性。

    Feb, 2024