Feb, 2020

混合关联模型用于序列推荐

PDF
TL;DR本文提出了基于混合关联模型的顺序推荐方法，利用用户长期偏好、近期评价的高阶 - 低阶关联模式和物品之间的协同作用生成推荐结果，明确实验结果表明这种方法在效率和精度上都超过了最新的状态 - of-the-art 方法，具有较高潜力。
sequential recommendationhybrid associations modelsitem synergieslong-term preferencesefficient
发现论文，激发创造
  • 序列推荐的记忆增强图神经网络

    提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

    Dec, 2019

  • HMAR：多行为推荐的分层掩码注意力

    在推荐系统的背景下，处理多行为用户交互对于理解不断演变的用户行为变得至关重要。最近的模型利用图神经网络和注意机制等技术来建模多样的行为，但是捕捉历史交互中的顺序模式仍然具有挑战性。为了解决这个问题，我们引入了基于层次掩码注意力的多行为推荐模型 (HMAR)。具体而言，我们的方法对相同行为的项目应用掩码自注意力，然后在所有行为之间进行自注意力。另外，我们还提出了历史行为指标来编码输入序列中每个项目行为的历史频率。此外，HMAR 模型在多任务设置中运作，可以同时学习项目行为及其相关的排序分数。在四个真实世界数据集上进行广泛的实验结果表明，我们提出的模型优于最先进的方法。我们的代码和数据集可在此处获得 (this https URL)。

    Apr, 2024

  • 融合相似性模型与马尔可夫链的稀疏序列推荐

    基于矩阵分解和马尔可夫链模型，提出了新的方法 Fossil，用于融合基于相似度的方法，解决大规模数据推荐系统中的稀疏问题，并在现实世界数据集上进行了验证。

    Sep, 2016

  • 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

  • 异质项目关系混合推荐

    研究使用信号来推荐物品，探索了混合专家方法和知识图谱嵌入用于组合多种异构物品关系的框架，并发现该方法比其他方法更能提供直观的推荐解释和更准确的推荐。

    Aug, 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

  • 基于 Fisher 加权的对比学习模型在顺序推荐中的合并

    本研究应用 Fisher-Merging 方法解决推荐系统中动态偏好的问题，提高了系统整体性能，为序列学习和推荐系统的发展提供了潜力。

    Jul, 2023

  • 基于稀疏注意力记忆网络的长序列点击率预测

    本文针对在采用更长序列的情况下推荐精度和个性化程度的提高未得到很好处理的情况，提出了一种新的稀疏注意存储模型（SAM）以模拟用户行为序列，实现了高效的训练和实时推荐，并在大型电子商务平台上部署进行了 A/B 测试，结果表明，相对于传统模型，该模型能够显著提高用户点击率达到 7.30％的改善。

    Aug, 2022

  • 组合推荐系统的顺序评估和生成框架

    该研究提出了一种基于生成序列概念、以期望总效用为目标函数的组合推荐模型，包含基于搜索和增强学习的序列生成策略，以及全面考虑用户、商品信息和商品间关联的评估模型，离线实验表现出优越性能。

    Feb, 2019

  • 用于序列推荐的多行为超图增强变压器

    设计了一种多行为超图增强 Transformer 框架（MBHT），用于捕获基于多个交互类型的短期和长期行为依赖关系，该框架通过低秩自注意力和超图神经网络结构实现。

    Jul, 2022