尝试这个替代方案:个性化和可解释的替代品推荐
本研究旨在通过提出一种新的基于属性信息的时装推荐器(AFRec),来解决时尚推荐任务中的可解释性挑战。AFRec 推荐器通过显式地利用每个项的视觉特征提取的属性级别表示来评估服装的兼容性。通过利用显式属性,AFRec 能够在推荐过程中实现最先进的推荐精度和直观的解释。
Jul, 2021
本文提出了一种可解释性推荐模型 Multi-Matrix Factorization(MMF),该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题,并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分,提供了更细粒度的分析,综合评测结果表明,MMF 在准确性方面优于现有模型。
Aug, 2019
本研究提出一种新的转换方法,将替代推荐技术引入到语言匹配问题,以考虑产品功能和特性,并从工程的角度考虑多语言支持。我们提出的端到端的基于转换器的模型在离线和在线实验中都取得了成功,已在 6 种语言的 11 个市场的大型电子商务网站中部署,并证明在在线 A/B 实验中可以增加 19%的收入。
Nov, 2022
基于协同过滤模型的课程推荐引擎的提出与优化,解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战,并通过基于课程转换网络的图推荐器,实现了真实数据集 AUC 值高达 0.97。
Nov, 2023
该论文提出了一种基于神经图匹配的协同过滤模型 (GMCF),用于通过建模和聚合属性之间的交互,在图匹配结构中有效捕获两种类型的属性交互(内部交互和交叉交互),同时明确进行特征学习和偏好匹配的推荐过程,实验证明该模型优于现有的最先进模型,并能提高推荐的准确性。
May, 2021
通过使用非线性神经网络来建模更高阶级别的电影推荐系统中交互产品之间的关系并使用注意力网络来建模更精细的第二阶交互,可以有效地提高推荐质量。
Nov, 2018
该研究提出一种名为 “关系型协同过滤” 的推荐系统通用框架,通过利用多个项目间的关系 (meta-data, functionality 等) 并发展出一种两层次的层级注意机制来对用户偏好进行建模。对推荐任务进行联合训练,以保持项目之间的关系结构,该模型表现出了强大的性能表现。
Apr, 2019