学习个性化风险偏好的推荐
个性化推荐系统在电子商务领域的应用及挑战,以及利用 BERT 模型和最近邻算法设计的 eBay 电子商务平台的个性化推荐系统的高效性和可行性。
Mar, 2024
通过融合在线广告和微观经济基本概念到个性化推荐领域,我们提出了基于强化学习的价值感知推荐算法,该算法通过直接优化候选项的经济价值生成推荐列表,映射每种用户操作的货币化经济价值并以此作为排序列表的激励值,在线商业系统与离线基准测试中得到验证,证明了我们框架性能的提高,无论是传统的 top-$k$ 排名任务还是系统的经济利润。
Feb, 2019
该研究提出一个新的基于机器学习的声誉系统,通过消费者个人资料的预测信誉度来计算产品声誉分数,该模型已在三个基准数据集上进行了评估,并与先前发布的评级聚合模型进行了比较。研究结果表明该方法可能是解决声誉系统问题的潜在解决方案,同时可与在线推荐系统集成以提供更好的购买建议。
Sep, 2022
论文旨在通过开发一种潜在因素推荐系统,建立在考虑用户个人经验水平的基础上,实现更好的商品推荐效果,并运用在包括啤酒、葡萄酒、美食和电影在内的 1500 万多个点评数据上进行了验证。
Mar, 2013
本研究提出了一种估计用户对焦点网站的个人偏好的方法,利用用户在网站上的互动数据计算其对焦点网站的在线参与份额,并且展示了通过焦点网站的数据进行模型评估的框架。
Dec, 2023
本论文提出了一种基于逆倾向评分技术的无偏学习框架,以解决推荐系统中的因果效应问题。通过构建无偏估计器和进行经验风险最小化,该框架可以有效地提高有限训练样本下的方差,从而开发出一种基于无偏学习方法的因果效应扩展排序度量方法。该方法在各种设置下的性能均优于其他有偏学习方法。
Aug, 2020
通过在矩阵分解推荐系统的学习过程中引入一项称为 “鲁莽性” 的新项,我们提出的推荐系统可以控制在做出关于预测可靠性的决策时所期望的风险水平,从而提高预测的数量和质量。
Aug, 2023