Jul, 2020

非独立同分布推荐系统：推荐范式转换的综述与框架

PDF
TL;DR本文探讨了推荐问题的非 IID 本质和特征，并提出了非 IID 理论框架，从耦合和异质性的角度建立对推荐问题深入全面的认识。这种非 IID 推荐研究可触发从 IID 到非 IID 推荐研究的范式转变，并带来个性化，精准和可操作的推荐。同时，它为解决包括冷启动，稀疏数据，跨域，基于组的和钓鱼攻击等各种复杂问题提供了新的方向和基本解决方案。
recommendationnon-iidtheoretical frameworkpersonalized recommendationscold-start
发现论文，激发创造
  • 推荐系统简介

    本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

    Feb, 2023

  • 打破定型：一个统一框架用于审视推荐系统中的误判、偏见和刻板印象

    评估推荐系统的系统性误差、刻板印象和校准问题，并提出了一种统一框架来衡量系统引起的效应，研究发现简单算法生成的推荐结果更符合刻板印象但偏差较小，而较复杂算法产生的推荐则存在更大的偏差，进而影响到非典型用户和少数群体，通过过采样来减少刻板印象和提高推荐质量具有改善系统引起效应的潜力。

    Dec, 2023

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 多利益相关者推荐研究方向

    本文介绍了多利益相关方推荐的概念及其在推荐系统领域的设计及研究问题，并强调了公平、平衡、盈利能力和互惠性等不同指标对于评估推荐系统的重要性。

    May, 2019

  • 个性化联邦领域适应在物品推荐中的应用

    本文提出了一种基于图神经网络 (GNNs) 的个性化联邦建模框架，用于在具有异构客户行为的市场部分之间总结、组装和适应推荐模式，从而缓解 I2I 数据瓶颈问题。

    Jun, 2023

  • 推动基线推荐系统的极限：结合意见挖掘和信息检索技术的综述

    本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

    May, 2022

  • 神经混合推荐：推荐需要合作

    该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。

    Sep, 2019

  • 异质项目关系混合推荐

    研究使用信号来推荐物品，探索了混合专家方法和知识图谱嵌入用于组合多种异构物品关系的框架，并发现该方法比其他方法更能提供直观的推荐解释和更准确的推荐。

    Aug, 2018

  • 面向开放世界推荐：一种基于归纳模型的协同过滤方法

    本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

    Jul, 2020

  • 推荐系统中异构关系学习的最新进展

    调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。

    Oct, 2021