使用超立方体学习用户表示以进行推荐系统
本文提出了一种新的群组表示方式 —— 超立方体,并设计了基于超立方体的群组推荐算法 CubeRec,以解决传统基于点表示的群组推荐算法在聚合用户偏好和反映群体决策过程等方面的不足问题。实验证明,该算法在四个真实数据集上的表现优于现有算法。
Apr, 2022
该研究提出了 HieRec,一种基于层次化用户兴趣模型的新闻推荐方法,使用三级层次结构表示用户的兴趣,并使用层次匹配框架实现更准确的用户兴趣目标定位,实验结果表明该方法能够有效改善个性化新闻推荐的用户建模效果。
Jun, 2021
我们提出了一个大规模的双曲线推荐系统,使用双曲几何作为基础几何模型可以显著提高推荐效果,并通过使用 Einstein 中间点等策略,实现了对数百万用户和数十万物品的大规模推荐。
Feb, 2019
我们提出了一种新颖的兴趣感知胶囊网络(IaCN)推荐模型,该模型直接学习面向兴趣的物品表示,通过不需要大规模重设计的方式,在现有的推荐模型中实现联合学习,实验证明该方法在各种推荐模型下表现出显著的性能提升。
Aug, 2023
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
本文通过研究在非欧几里得空间中学习用户和项目表示的概念,探讨了超宇称空间中度量学习和协同过滤之间的联系,旨在通过度量学习方法填补欧几里得和双曲几何之间的差距。作者提出了概念简单但高效的 HyperML(超宇称度量学习)模型,通过一系列广泛的实验,证明了该模型不仅优于欧几里得模型,还实现了多个基准数据集的最佳表现,展示了双曲几何中个性化推荐的有效性。
Sep, 2018
采用超空间正则化协同过滤提出一种基于超 bolic 几何的模型优化算法,能够增强模型区分能力并避免过分平滑问题,实验结果表明在公共基准测试中具有高度竞争性的表现并超越其他欧几里得和超球面模型。
Apr, 2022
本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法,该方法结合了软聚类架构,极大地减少了推断过程的计算成本,实验表明该模型能以低计算成本学习用户偏好,并具有较高的准确性,我们将其称为 EfficientRec。
Jan, 2024
本研究探讨了在超几何空间内,哪些用户产品可以有效推荐,设计了一种新的学习方法 HICF,针对尾部和头部物品推荐效果不佳的问题,通过改进超几何边际排序学习的过程,提供信息指导来明确推荐目标,并在大量实验中验证了该方法的有效性。
Jul, 2022
本文中介绍了一种基于超螺旋空间的个性化推荐模型,其中使用了知识图谱、超螺旋空间和自适应的正则化机制,通过在三个真实数据集上的实验表明,相较于最先进的现有模型,该模型在 NDCG@K 上的推荐效果提高了 2-16%。
Jan, 2021