KDDOct, 2020

学习可迁移参数以用于长尾顺序用户行为建模

PDF
TL;DR本文针对用户行为模型在面对长尾分布的用户行为数据时表现不佳的问题，提出了一种利用梯度方向信息以及对抗训练进行知识迁移的框架，广泛实验表明该框架明显优于现有基线模型。
sequential modelinglong-tailed distributiontail usersgradient alignment optimizeradversarial training scheme
发现论文，激发创造
  • 个性化干预网络用于长尾顺序用户行为建模

    该论文提出了一种新方法，通过梯度聚合技术，学习所有用户的共同知识并在此基础上，为头部用户和尾部用户分别提供定制化的预测，从而显著提高了尾部用户的推荐效果。

    Aug, 2022

  • 长序列用户行为对于点击率预测的建模实践

    本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。

    May, 2019

  • 个性化记忆的生命周期序列建模用于用户响应预测

    该研究使用分层周期性记忆网络实现在线服务中用户响应预测的持续顺序建模，实现个性化内存化的顺序模式，并在三个大规模真实世界数据集上展示了显著的用户响应预测表现优势。

    May, 2019

  • 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

  • 双重转移学习框架模型：长尾商品推荐的改进

    提出了一种基于双重转移学习框架的推荐系统，其中模型参数和项目特征从头部项目中转移，以改善在长尾分布情况下的尾部项目推荐性能。

    Oct, 2020

  • 基于元转移学习的冷启动用户顺序推荐

    该研究提出了一种名为 MetaTL 的新框架，通过元学习来提高冷启动用户的顺序推荐，并形式化了冷启动用户的顺序推荐问题为 few-shot 学习问题，并采用基于翻译的桥接器来提取用户之间的动态转换模式，并采用元转换学习来实现仅具有有限交互的冷启动用户的快速学习，从而实现了对顺序交互的准确推断。

    Jul, 2021

  • 融合异构用户行为和社交影响的预测分析

    此研究旨在将异构的用户行为与社会影响结合起来进行行为预测，并使用包括 LSTM 变体、多面向关系建模机制、多面向关注机制、社会行为图的无监督学习及基于残差学习生成高阶交叉特征的方法进行探讨，定量和定性实验表明该模型的有效性。

    Jul, 2022

  • UserBERT: 通过自我监督建模用户的长期和短期偏好

    本研究提出了一种适用于电子商务用户数据的 BERT 模型的自监督预训练表示学习方法，将用户行为数据看作是句子中的单词，并采用统一结构同时学习长期、短期和用户属性。实验证明，该方法在三个不同的实际任务中都能带来显著的改进，尤其是与任务特定建模和多任务表示学习相比。

    Feb, 2022

  • AMEND: 长尾轨迹预测的专家混合框架

    通过使用专门的专家组合和路由器网络，本研究提出了一种模块化、无模型依赖的轨迹预测框架，不仅在常见情景下取得了最新的性能，而且在长尾场景下显著提高了预测准确性。

    Feb, 2024

  • 来自序列行为的参数高效迁移，用于用户建模和推荐

    本文提出了一种参数高效的迁移学习框架 PeterRec，通过注入一系列重新学习的小型神经网络，PeterRec 可以在多个领域实现高效的迁移学习，从而有效地学习单个用户表示，并在多个领域的任务中取得了可比或更好的性能。

    Jan, 2020