新闻推荐系统:最近进展、挑战和机遇的评估
如何通过使用集成方法将多个不同的最先进的算法组合起来,以在 Microsoft News 数据集(MIND)上取得卓越成果,本文旨在填补新闻推荐系统(NRS)领域中的研究空白。通过研究发现,结合多个 NRS 算法可以胜过单独算法,前提是基础学习者足够多样化,该集成方法可使结果提高 5%,同时也发现当组合不足够独特方法时不会有任何改进。这些发现为 NRS 中成功的集成方法提供了见解,并倡导通过适当的集成解决方案来开发更好的系统。
Jun, 2024
本文全面总结了个性化新闻推荐的技术与挑战,阐述了解决每个核心问题的技术及其所面临的挑战,介绍了公开数据集和评估方法,讨论了提高个性化新闻推荐系统的责任感的关键点,提出了值得进一步研究的几个方向,以期帮助读者全面了解该领域。
Jun, 2021
本文综述了基于深度学习的推荐系统的最新研究进展,提出和总结了深度学习推荐模型的分类法和现有技术的综述,同时扩展了当前趋势并提供了对这一新兴领域的新见解。
Jul, 2017
该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述,重点介绍了如何利用社交上下文信息来改善推荐任务,以及标准算法如何在完全分布式环境中进行增强和优化,并讨论了这些系统的优缺点和性能评估。
Jun, 2023
本文对基于强化学习的推荐系统进行了综述,提出了一个 RLRS 框架,包括状态表示,策略优化,奖励制定和环境构建,并针对 RLRS 算法进行了调查,强调出现的主题并展示了各种图表。
Jan, 2021
提出了一种基于上下文、深度学习的会话式新闻推荐方法,通过考虑文章流行度和新颖性等多种信息类型,显著提高了推荐准确性和目录覆盖率,并且能够在准确性和新颖性之间进行平衡。
Apr, 2019
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
本文介绍了先进推荐系统技术的快照,重点关注了 Recommender Systems,Reciprocal Recommender System 等 RRS 算法,以及融合过程和社交推荐应用的挑战和机遇。
Jul, 2020