Jul, 2020

可解释的团队感知场景推荐：在多人在线战斗竞技游戏中的应用

PDF
TL;DR本文研究了如何在计时策略视频游戏中使用 Transformer 神经结构进行基于上下文数据的推荐系统，以在形成团队的上下文中给每个团队成员推荐一组项目。 评估表明，Transformer 架构和上下文信息对于获得此项推荐任务的最佳结果是至关重要的。
发现论文，激发创造
  • 多视角交互式协同过滤

    本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。

    May, 2023

  • 基于时间元路径引导的可解释推荐

    本文利用注意力机制，沿着连续商品之间的路径进行良好设计的商品 - 商品路径建模，以顺序建模动态知识图上的动态用户 - 商品演变，以获得可解释的推荐。通过对三个真实世界基准数据集上的广泛评估，我们证明了 TMER 相对于最近强基线的最新性能。

    Jan, 2021

  • 基于社交感知上下文化图神经网络的大规模个性化视频游戏推荐

    本研究探讨了在 Steam 平台上用户行为特征与在线游戏推荐系统的关系，认为满足个性化、游戏情境化和社交连接的在线游戏推荐系统具有吸引用户、增加用户停留时间的作用。然而，同时解决这三个特性是非常具有挑战性的。因此，我们提出了新的 SCGRec，并结合了三个视角来改进游戏推荐。

    Feb, 2022

  • 来自推荐数据集的个性化任务的模拟情境强化学习

    利用像 MovieLens、Netflix、Million Song 等推荐数据集提供的真实数据进行生成，从而为个性化任务生成模拟的环境，以反映真实世界用户交互的细微差别。该方法可用于解决个性化任务、算法基准测试、模型模拟等方面。我们在 MovieLens 和 IMDb 数据集上进行了数值实例演示。

    Oct, 2022

  • 通过可扩展的张量分解从隐含数据中实现上下文感知的推荐

    该论文提出了一种上下文感知的通用隐式反馈推荐算法，使用基于张量分解的学习方法，同时结合了季节性和购买顺序等上下文信息，显著优于无上下文和基准模型，并与因式机（在召回和 MAP 方面击败了 12 个案例中的 7 个）相当，具有良好的可扩展性。

    Sep, 2013

  • 时间图变换器的多行为序列推荐

    本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。

    Jun, 2022

  • 拍卖设计的上下文整合 Transformer 神经网络

    本文主要研究拍卖设计中的核心问题，即开发一种有激励的机制来最大化拍卖人的预期收入，通过将竞标者和物品的共有上下文信息因式分解到拍卖学习框架中，提出了一种上下文整合基于变压器的神经网络，名为 CITransNet，旨在找到非对称的解决方案。经过大量实验，发现 CITransNet 在单一项目设置中可恢复已知的最优解，在多项目拍卖中胜过强大的基准线，并且对训练之外的情况具有很好的概括性。

    Jan, 2022

  • CPMR：基于上下文的增量顺序推荐与伪多任务学习

    通过创建三种不同动态下的用户和项目表示（静态嵌入、历史时间状态和上下文时间状态），同时使用伪多任务学习范式，将增量单目标推荐堆叠成一个多目标任务以进行联合优化，提出了一种上下文感知的伪多任务推荐系统（CPMR），以准确建模历史和上下文场景中的动态兴趣演化。在四个基准推荐数据集上的实验证明，CPMR 始终优于最先进的基准线，并在其中三个数据集上取得了显著提升。

    Sep, 2023

  • 使用带有依赖臂的多臂老虎机进行在线交互式协同过滤

    研究如何考虑物品间的相关性，将物品聚类为不同的组别，并使用基于粒子学习的算法来推断模型的潜在参数和状态，从而开发出一种可以有效地整合现有多臂选择策略的在线交互协作推荐系统。

    Aug, 2017

  • 用于序列推荐的多行为超图增强变压器

    设计了一种多行为超图增强 Transformer 框架（MBHT），用于捕获基于多个交互类型的短期和长期行为依赖关系，该框架通过低秩自注意力和超图神经网络结构实现。

    Jul, 2022