May, 2020

为下一篮推荐建模个性化物品频率信息

PDF
TL;DR通过对真实数据的分析，我们发现个性化商品频率（PIF）信息对于 Next-basket recommendation（NBR）至关重要，因此我们提出了一种基于最近邻的简单方法，可以直接利用这些关键信号，并通过四个公共真实数据集的评估证明这种方法通常优于现有的 NBR 方法 - 包括使用 RNN 的深度学习方法 - 当 PIF 关联的模式在数据中扮演重要角色时。
next-basket recommendationsequential modelingrecurrent neural networkpersonalized item frequencyk-nearest neighbors
发现论文，激发创造
  • 面向食品购物中下一个新奇购物篮推荐的遮蔽和交换序列建模

    下一个篮子推荐 (NBR) 是基于一系列已经购买的篮子预测下一个物品集的任务，我们提出了一种基于双向 Transformer 篮子推荐模型 (BTBR) 的简单方法，该方法专注于直接建模篮子内部和篮子间的物品之间的关联性，以提高推荐任务的性能。

    Aug, 2023

  • 超图增强的知识树提示学习用于下一篮子推荐

    我们提出了一种新方法 HEKP4NBR，将知识图谱转化为提示语，即知识树提示，以帮助预训练语言模型编码用户篮子序列中的超出词汇表范围的项目 ID，并通过超图卷积模块建立基于多个方面的项目相似度的超图并对多个项目之间的关系进行卷积，对两个基于真实公司数据集的 HEKP4NBR 进行了大量实验证明其在多个先进方法上的有效性。

    Dec, 2023

  • 基于贝叶斯的个性化排名算法：从隐式反馈中学习

    本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。

    May, 2012

  • 高效地在购物篮子和商品的添加和删除下维护下一个推荐篮子

    该研究探讨了在欧洲实施的 “一般数据保护条例” 下，个人数据的删除不仅适用于主数据存储中的数据还适用于包含个人数据的机器学习模型，并设计了有效的算法，用于在下一个购物篮推荐任务中增量和递减地更新此类模型。

    Jan, 2022

  • 基于神经模式联想的篮内推荐

    这篇论文介绍了神经模式关联器（NPA），这是一种深度商品关联挖掘模型，明确地模拟了用户行为的复杂性，通过量化表示常见的用户目的（或商品组合模式），在推理阶段通过注意力驱动的查找来识别用户的购物意图，从而产生连贯且可解释的推荐结果。在杂货电子商务（购物篮完成）和音乐（播放列表扩展）等多个领域的广泛数据集上评估了提出的 NPA 模型，定量评估结果显示 NPA 模型明显优于多种现有的购物篮推荐解决方案，反映了明确模拟复杂用户购物意图的好处。

    Jan, 2024

  • 基于神经网络的下一首歌曲推荐

    本文提出一种基于神经网络的下一首歌曲推荐系统 CNN-rec，并与其他神经网络和传统推荐系统在下一首歌曲推荐任务上进行比较，验证结果表明该系统优于传统系统并具有与最先进系统相当的性能表现。

    Jun, 2016

  • 利用历史和现在的信息：基于用户行为的差异性推荐模型

    本文提出了一种新颖的基于行为的神经网络模型（BINN），该模型结合了用户的历史稳定偏好和当前的消费动机，以实现更好的下一项推荐。通过实验证明，相较于其他最先进的方法，该模型能够更有效地进行推荐。

    Aug, 2018

  • Pfeed：使用预先计算的嵌入相似性生成几乎实时个性化供稿

    在个性化推荐系统中，使用嵌入来编码客户行为和物品，并通过近似最近邻搜索在嵌入空间中执行检索。然而，这种方法可能会面临两个挑战：用户嵌入可能限制了所捕捉的兴趣的多样性，而且需要保持它们的实时更新需要代价高昂的基础设施。在本文中，我们提出了一种在实际工业环境中克服这些挑战的方法。该方法动态更新客户配置文件，并每两分钟组合一个推荐列表，使用预计算的嵌入及其相似度。我们在荷兰和比利时最大的电子商务平台之一的 Bol 上测试并部署了这种方法。该方法提升了客户参与和体验，导致转化率显著提高了 4.9%。

    Feb, 2024

  • 针对再次购买的个性化类别频率预测

    购买再次推荐（BIA）对零售商至关重要，通过基于客户自身的重复购买模式建议他们可能再次购买的物品，有助于改善用户体验和网站互动。本文提出了一种层次化的 PCIC 模型推荐系统，由个性化的类别模型（PC 模型）和类别内物品模型（IC 模型）组成，用于生成客户可能再次购买的类别以及类别内客户可能消费的物品，以捕捉产品的总体消费率和消费趋势。PCIC 模型在四个标准开放数据集上与十二个现有基准方法进行比较，能够提高 NDCG 达到 16％，同时将召回率提高约 2％。PCIC 模型在一个大型数据集（1 亿个客户和 300 万个物品）上进行了规模化训练（8 小时以上），并在一家主要零售商的网站上进行了部署和 AB 测试，取得了显著的客户互动效果提升。

    Jul, 2023

  • NAIS: 基于神经网络和注意力机制的推荐物品相似性模型

    本文介绍了一种名为 NAIS 的神经网络模型，该模型通过引入注意力网络来学习物品之间的相似度，从而对基于物品的协同过滤进行了改进和优化。与现有的基于物品的 CF 方法相比，NAIS 在表达能力上更强，且只需要额外引入少量参数。实验证明，NAIS 在两个公共基准测试集上达到了显著的提升，为基于神经网络的推荐系统的未来发展开辟了新的研究方向。

    Sep, 2018