MMAug, 2020

Auto-Surprise: 一款使用 Tree of Parzens Estimator (TPE) 优化的自动化推荐系统 (AutoRecSys) 库

PDF
TL;DRAuto-Surprise 是一款自动化推荐系统库，相较于 Surprise 推荐系统库，Auto-Surprise 可以更好地进行算法选择和配置，并在影片评级数据集、图书交叉数据集和 Jester 数据集方面表现更好，同时还可以选择运行时间显著更短的算法，并且在寻找最佳超参数方面，表现出与 Surprise 网格搜索相当甚至稍微更好的表现。
发现论文，激发创造
  • 自动机器学习在推荐系统中的潜力

    在本研究中，我们比较了来自 15 个库的 60 个 AutoML、AutoRecSys、ML 和 RecSys 算法的预测性能，发现 AutoML 和 AutoRecSys 库在模拟无经验用户的情况下表现最佳，但 RecSys 算法在平均表现上落后于 AutoML，而 ML 算法通常表现最差。

    Feb, 2024

  • 推荐系统的泛化能力和可预测性

    本文针对推荐系统的算法选择问题进行了大规模研究，对 18 种算法和 100 组超参数在 85 个数据集和 315 个性能指标下进行了比较，发现最佳算法和超参数高度依赖于数据集和性能指标，并提出了一种元学习方法 RecZilla，能够根据元特征预测最佳算法和超参数，极大程度减少了人为干预。

    Jun, 2022

  • 自动化机器学习推荐系统的综合调查

    本文总结了自动机器学习用于生成深度推荐系统模型的方法。作者概述了自动机器学习和相关技术，讨论了自动化特征选择、嵌入、交互和训练模型的最新方法，指出已有的基于自动机器学习的推荐系统正向着具有抽象搜索空间和高效搜索算法的多组件联合搜索方向发展，并略述了吸引人的未来研究方向。

    Apr, 2022

  • PARSRec：基于会话部分动作的可解释个性化注意力融合循环顺序推荐

    本文提出了一种结构，利用共同模式和个体行为来为每个用户量身定制推荐，模拟结果表明该结构可以学习可解释的个性化用户行为，并经验证实验数据集 Nielsen Consumer Panel 的结果，建议方法相对于现有技术有高达 27.9％的性能提升。

    Sep, 2022

  • 树形 Parzen 估计器：理解算法组件及其作用，以提高实证表现

    该研究提出使用树形 Parzen 估计器进行贝叶斯优化的超参数优化，对各种控制参数进行评估，推荐的设置可提高优化性能，并可从所提出的教程中获得更多信息。

    Apr, 2023

  • 自动分量提升：可解释性自动机器学习系统

    提出了一种 AutoML 系统，其构建了可解释的加法模型，使用高度可扩展的分量提升算法进行拟合，提供了易于模型解释的工具，并且在预测性能上与其他基于 AutoML 比较系统相媲美，更易于使用和透明。

    Sep, 2021

  • EasyRec：构建工业推荐系统的易用、可扩展和高效框架

    EasyRec 是一款易于使用、可扩展且高效的推荐框架，采用模块化设计模式，通过超参数优化和特征选择算法，实现自动化模型性能提升以适应不断变化的数据分布，适用于工业推荐系统。

    Sep, 2022

  • 基于无监督的方面 - 情感共同提取：解锁推荐的力量

    本文提出了一个紧密耦合的两阶段方法以改进基于评论的推荐系统。通过提取方面 - 情感对和利用它们作为具体的层面证据来估算评级，APRE 方法超越了现有的基线，并有效地提高了精度。

    Sep, 2021

  • 基于超参数优化的邻居图相似性搜索与自动帕累托最优性能和最小期望质量设置

    本文介绍一种使用邻居图和优化元启发式算法进行最近邻搜索的自动调谐算法，以自动产生品质和搜索速度的帕累托最优搜索；同时，也使用相同策略产生实现最小品质的索引。我们的方法被描述并与其他最先进的相似度搜索方法进行了基准测试，展示了便利性和竞争力。

    Jan, 2022

  • 使用查询性能预测的无监督搜索算法配置

    该研究提出一种基于查询性能预测的简单解决方案，用于搜索引擎的自动配置，避免了需要训练有监督模型所需要的相关标签，只需要针对给定领域的一些查询样本即可达到目的。使用两个实例，论证了该解决方案的优点。

    Oct, 2022