KDDMar, 2020

RNE：面向亿级推荐的可扩展网络嵌入

PDF
TL;DR本文提出了一种基于网络嵌入的数据有效性推荐方法 RNE，该方法能够针对亿级场景进行个性化和多样化推荐，同时保持用户和项目之间的本地结构并建模用户兴趣的多样性和动态性以提高推荐质量，而且还能够在分布式方式下实现，显著优化可扩展性。实验证实，在淘宝亿级规模的推荐场景下，RNE 与基于 CF 的方法相比，能够同时实现高质量和多样化结果，在 Pinterest 数据集上也展现出了显著优越性能。
recommendation systemnetwork embeddingscalabilitydiversitydynamic user interest
发现论文，激发创造
  • 迭代随机投影的十亿级网络嵌入

    RandNE 是一种用于处理百亿级网络的、高效的、无误差聚合的网络嵌入方法，它采用高斯随机投影和迭代投影来实现低维嵌入空间的构建，并具有良好的分布式计算性能和动态网络更新能力。

    May, 2018

  • 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

  • 基于重新加权的个性化 PageRank 的大规模同构网络嵌入

    本文介绍了一种针对海量图形的基于节点重加权 PageRank（NRP）的同质网络嵌入方法。经实验证明，与现有的 18 种解决方案相比，NRP 在链接预测、图形重建和节点分类方面的效果更好，且速度更快。

    Jun, 2019

  • 随机聚类嵌入

    本文提出了一种基于邻域嵌入的新型集群可视化方法，使用非归一化 Kullback-Leibler 散度和缩放参数以进一步优化数据聚类的可视化效果。

    Aug, 2021

  • 基于神经相似性度量的大规模推荐系统近似最近邻搜索

    本研究中，我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数（例如深度神经网络），并使用可插拔的对抗性训练任务来保证搜索结果的准确性；通过在开源和工业数据集上的实验证明了我们方法的有效性，并在淘宝展示广告平台上进行了全面部署，带来了相当可观的广告收入增长。

    Feb, 2022

  • 面向阿里巴巴电商推荐的十亿级商品嵌入

    本文提出了一种基于图嵌入框架的技术解决方案来应对淘宝推荐系统面临的规模，稀疏以及冷启动三大挑战，并通过离线实验和线上 A/B 测试表明，这种方法在淘宝的生产环境中是有效的和可行的。

    Mar, 2018

  • 序列推荐的稀疏兴趣网络

    本文提出了一种名为 Sparse Interest Network（SINE）的方法，该方法使用 sparse-interest 模块自适应地为每个用户推断出一个稀疏的概念集，并相应地输出多个嵌入，以明确建模多个兴趣点用于下一个项目的推荐。

    Feb, 2021

  • 属性社交网络嵌入

    本文提出了一种基于网络结构和社交演员属性相似性的社交网络嵌入框架，在节点分类和链接预测任务上均实现了显著的性能提升，比如在链接预测任务上相比 node2vec 提高了 8.2%。

    May, 2017

  • 神经多网络扩散推荐

    本文提出了一种基于图神经网络的社交推荐模型 NeMo，使用生成式负采样策略并利用正负用户 - 物品交互推广用户兴趣，提高了推荐泛化能力和准确度。实验证明，在各种真实世界的基准数据集上（例如在 NDCG@15 方面高达 38.8%）NeMo 的性能优于现有方法。

    Apr, 2023

  • 异构图上基于邻域的高效交互模型推荐

    本论文提出了一种名为 NIRec 的邻域交互模型，旨在提高基于异构信息网络的推荐性能，通过探索节点互动模式并采用卷积方式进行有效的学习，本模型较现有方法表现更佳。

    Jul, 2020