Dec, 2019

基于层级自注意力模型的用户生成项目列表推荐

PDF
TL;DR本文提出了一种新的用户生成的列表建议模型 AttList，通过对层次化用户偏好以及项目和列表一致性的建模，该模型在三个真实数据集上都实现了比基线方法更好的推荐效果。
user-generatedlist recommendationhierarchical user preferenceitem and list consistencystate-of-the-art baselines
发现论文，激发创造
  • 用户生成商品列表延续的一致性感知推荐

    该论文提出了一种通用的方法来延续用户生成的项目列表，通过人类编目模式建模项目列表的一致性，进而利用一种新颖的一致性感知门控网络 (Intelligently combining two preference models) 来智能地组合两个偏好模型。此外，该论文还证实了该方法的有效性，并提供了所有代码和数据。

    Dec, 2019

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 具有关注交互的非对称分层网络，用于可解释的基于评论的推荐

    本文中，我们开发了一种新颖的神经网络模型，通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。

    Dec, 2019

  • 自我关注的上下文感知学习排名

    提出了一种基于自注意力机制的上下文感知神经网络模型，用于学习商品的排序分数，在训练和推理阶段都考虑了列表中其他商品的交互作用，相较于多层感知机模型，取得了显著的性能提升，在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。

    May, 2020

  • 从隐式反馈数据中学习分层物品类别，实现高效推荐和浏览

    使用来自隐式反馈数据的分层项目类别，以实现在线市场中有效的浏览和推荐。通过基于用户的协同消费行为创建类别，可以使用户更容易找到有趣和相关的商品。 HLTA-Forest 是一个用于隐式反馈数据的缩放学习算法，可用于创建基于类别的推荐，并且还可以用于自动创建商品分类骨架。

    Jun, 2018

  • 关注 Item2Vec：神经注意用户表示

    该研究提出了一种名为 Attentive Item2vec（AI2V）的新型，它使用上下文 - 目标注意力机制来学习和捕获用户历史行为的不同特征，以及在推荐中表现出了优异的性能。

    Feb, 2020

  • KGAT: 知识图谱注意力网络推荐

    提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法

    May, 2019

  • 基于树结构深度模型的推荐系统学习

    本文提出一种基于树的方法来解决推荐系统中引入更多表现形式且更为复杂的模型（例如深度神经网络）时所面临的计算困难问题。我们的方法可以提供对数级的计算复杂度，并在两个大规模真实世界数据集上取得了较好的实验效果，同时在淘宝广告平台的在线 A/B 测试中也证明了它在生产环境下的有效性。

    Jan, 2018

  • 通过个性化兴趣可持续性实现的连续推荐

    本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

    Sep, 2022

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024