WWWMay, 2020

神经协作推理

PDF
TL;DR本文提出了一种新的协作推荐系统框架，即协作推理 (CR)，将学习和推理融为一体。该框架通过一种神经模块化的形式，将符号推理操作嵌入到基于神经网络的模型中，将逻辑表达式等价地组织为神经网络，从而实现了在连续空间中进行逻辑推理和预测。实验证明，与现有的浅层、深层和推理模型相比，本文提出的框架具有更好的推荐性能。
collaborative reasoningneural collaborative reasoninglogical reasoningrepresentation learningrecommendation system
发现论文，激发创造
  • 神经协同过滤

    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

  • 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

  • 反事实协作推理

    本文研究了因果推理和逻辑推理在机器智能的应用下的关系，提出了 Counterfactual Collaborative Reasoning (CCR) 方法，通过进行反事实逻辑推理对数据进行增强，提高了模型性能和透明度。实验结果表明，CCR 方法显著优于使用隐式数据增强的模型和未增强的模型，并且能够生成反事实解释，提高模型的透明度。

    Jun, 2023

  • 推荐系统的协作深度学习

    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

  • 神经图协同过滤

    本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

    May, 2019

  • 图协同推理

    本研究提出了一个名为图形协作推理（GCR）的方法，该方法利用邻居链接信息从逻辑推理角度对图形进行关系推理，并在常用基准数据集上展示其在链接预测等任务方面的卓越表现。

    Dec, 2021

  • 合作记忆网络用于推荐系统

    本文章提出了一种名为 Collaborative Memory Networks (CMN) 的深度神经网络，可以有效地结合 latent factor model 和 local neighborhood-based structure，而不是单纯地使用 latent factor model，以提高协同过滤推荐系统的精度和效率。实验结果表明，CMN 在三个公共数据集上优于竞争基线。

    Apr, 2018

  • 使用文本数据的个性化神经嵌入协同过滤

    本论文提出了一种个性化神经嵌入框架 (PNE)，通过融合互动和单词来预测用户对物品的期望，解决了传统协同过滤方法中物品与用户关系稀疏的问题，并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时，通过可视化展示了 PNE 可以学习到有意义的单词嵌入。

    Mar, 2019

  • 使用用户 - 项目共自回归模型的协同过滤

    文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型，它可以处理大规模的协同过滤任务，并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。

    Dec, 2016

  • 带图形增强信息的神经符号推荐

    本文提出一种基于图神经网络和命题逻辑运算的神经符号推荐模型，结合了全局隐式推理能力和局部显式逻辑推理能力，可有效提高推荐系统的准确性。

    Jul, 2023