可控制的多兴趣推荐框架
在信息过载的时代,推荐系统的价值在学术界和工业界都被广泛认可。尤其是多兴趣顺序推荐,是一个近年来受到越来越多关注的子领域。通过生成多个用户表示,多兴趣学习模型在理论和实证上都展示了比单个用户表示模型更出色的表现。尽管该领域有了重大进展,但仍然存在三个主要问题困扰着多兴趣学习方法的性能和可采用性,即训练和部署目标之间的差异,无法访问项目信息以及由于其单塔架构所导致的工业应用难度。我们通过提出一种具有用户表示排斥的新型多塔多兴趣框架来解决这些挑战。多个大规模工业数据集上的实验结果证明了我们提出的框架的有效性和泛化能力。
Mar, 2024
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
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
本文提出了一种名为 MIND 的新颖模型,通过多向量编码用户多样的兴趣来解决工业推荐系统中的候选物品匹配和排序问题,并通过对公共基准数据集和天猫的大规模产业数据集进行广泛实验,证明了 MIND 的出色性能。
Apr, 2019
我们提出了一种新颖的兴趣感知胶囊网络(IaCN)推荐模型,该模型直接学习面向兴趣的物品表示,通过不需要大规模重设计的方式,在现有的推荐模型中实现联合学习,实验证明该方法在各种推荐模型下表现出显著的性能提升。
Aug, 2023
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
采用预训练语言模型的语义理解能力,提出了一种新的序列推荐策略 LANCER,以弥补先前序列建模方法对上下文信息的不足,从而在推荐系统中生成更加人性化的个性化推荐。经过在多个基准数据集上的实验证明,我们的方法有效,具有良好的结果,并对我们的模型在序列推荐任务中的影响提供了有价值的见解。此外,我们的实验代码是公开可用的。
Sep, 2023
本文研究基于交互反馈的协同过滤推荐系统,提出了一种使用神经网络进行探索策略的方法,并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略,在三个标准数据集上的实验证明了该方法的优越性。
Jul, 2020
本研究提出了一个基于深度增强学习的新型推荐框架,称为 DRR,它将推荐视为一种顺序决策过程,并采用 “Actor-Critic” 增强学习方案来模拟用户与推荐系统之间的交互,同时考虑动态适应和长期回报,经过四个真实数据集的广泛实验,证明了 DRR 方法确实优于现有的竞争对手。
Oct, 2018