Nov, 2020

面向未来的多样趋势推荐框架

PDF
TL;DR本文提出了一种基于历史和未来偏好的新型推荐框架（FAT），通过同时考虑用户历史行为和未来趋势，获得更好的推荐效果。实验证明，该框架在现实数据集上表现优异，可以进行新鲜和互补推荐，较之其他序列推荐方法更具优势。
recommender systemsuser-item behaviorshistorical preferencestime-evolving trendsfuture-aware diverse trends
发现论文，激发创造
  • 学习用户偏好的异质时间模式以实现及时推荐

    提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

    Apr, 2021

  • 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

  • 可控制的多兴趣推荐框架

    本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

    May, 2020

  • 通过个性化兴趣可持续性实现的连续推荐

    本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

    Sep, 2022

  • 未来数据助力训练：为基于会话的推荐建模未来上下文

    我们提出了一种新的编码器 - 解码器框架 —— 基于填充缺失数据的推荐系统（GRec），通过缺失项填充机制来训练编码器和解码器，并考虑了精度和效率。实验表明，GRec 显著优于现有的序列推荐方法，并且未来的上下文对推荐的效用有很大的影响。

    Jun, 2019

  • CauseRec: 序列推荐的反事实用户序列合成

    通过模拟反事实数据分布，提出了一种称为 CauseRec 的框架，其可以学习准确和稳健的用户表示，从而避免用户交互记录中的噪声和稀疏性导致的不稳定系统。

    Sep, 2021

  • 推荐系统中的意图多样化

    推荐系统中往往过于关注短期参与度，而此项研究关注将用户意图整合到整页推荐中以优化用户的长期体验。

    May, 2024

  • 在线展示广告的基于时间感知的用户前瞻性建模

    通过跟踪用户活动和设计强大的模型来获取转化意向的隐含信号，从而提高预测概率的可靠性和精度，并增加对信号影响的可解释性。

    Nov, 2019

  • 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

  • 面向长时间依赖用户序列的神经混合推荐器

    本文研究了如何建立一个模型，利用不同的时间范围和动态来适应不同的请求上下文，并提出了一种神经多时间范围混合模型 (M3)，以处理用户行为短期和长期依赖问题。该方法通过使用不同时间范围的模型组合，并针对不同的上下文信息学习门控机制来增强效果。该方法在公共数据集和 YouTube 数据集上的实证评估中要优于现有的顺序推荐方法。

    Feb, 2019