自适应边界的概率度量学习用于 Top-K 推荐

KDDJan, 2021

自适应边界的概率度量学习用于 Top-K 推荐

Probabilistic Metric Learning with Adaptive Margin for Top-K Recommendation

Chen Ma, Liheng Ma, Yingxue Zhang, Ruiming Tang, Xue Liu...

TL;DR本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

Abstract

personalized recommender systems are playing an increasingly important role as more content and services become available and users struggle to identify what might interest them. Although matrix factorization and

personalized recommender systems matrix factorization deep learning user preference modeling wasserstein distance

发现论文，激发创造

度量分解：超越矩阵分解的推荐

提出了一种新的推荐技术，称为 “度量分解”，通过使用欧几里得距离测量用户和项目之间的显式接近度来克服矩阵分解中采用的点积无法满足不等式的问题。实验证明，我们的方法在评分预测和项目排名任务上均优于现有的最先进方法。

Feb, 2018

协同翻译度量学习

本文介绍了 TransCF 推荐算法，通过利用邻域信息，利用翻译机制构造用户 - 项目特定的翻译向量，并根据用户与项目的关系把用户向项目进行翻译，用于解决潜在用户 - 项目关系建模的难题，实验表明该算法在现实世界数据集上具有优异的推荐性能，超过了现有方法。

Jun, 2019

可扩展的大边界马氏距离度量学习

本文提出一种快速且可扩展的机器学习算法，用于学习马氏距离指标，并利用凸优化原理和梯度下降方法解决距离度量问题，实现在计算复杂性方面的显著提高，达到与现有方法相当的分类准确度。

Mar, 2010

从成对比较中同时学习偏好和度量

本文介绍了一种新的方法，该方法针对推荐系统中的偏好建立了一种 Mahalanobis 度量，进而学习理解用户对物品的理想点。

Sep, 2020

Poincaré 球中基于知识增强的 Top-K 推荐

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

一对多：多用户同时度量和偏好学习

本文研究了从一群回答者中同时进行偏好和度量学习的问题，旨在捕捉单个用户的偏好和相似度度量标准，同时享有样本成本分摊。通过研究连续响应设置和噪声二进制测量，证明了该模型足够灵活，能够有效地满足不同需求，并提高了学习的样本复杂度，最终在模拟数据和真实数据中进行了实际效果验证。

Jul, 2022

有限配对偏好比较的度量学习

度量学习、偏好比较、理想点模型、马氏距离、低维结构

Mar, 2024

基于有符号距离的深度记忆推荐系统

本研究提出一种基于深度学习的个性化推荐算法，称为带符号距离的深度记忆推荐器，能够显式和隐式地捕捉用户和商品之间的非线性关系，并在一般的推荐任务和基于购物篮的推荐任务中表现良好。通过对两个推荐任务中六个真实数据集的大量实证研究，我们的方法显著提高了十种最先进的推荐模型的效果。

May, 2019

平滑优化的鲁棒指标学习

本文提出了一种称为鲁棒测度学习的方法，旨在从嘈杂的侧面信息中学习距离度量，将学习任务最初制定为组合优化问题，并将其优雅地转换为凸规划问题，提出了一种基于平滑优化的高效学习算法，最后在 UCI 数据集上的实验研究证明了所提出方法的有效性。

Mar, 2012

使用 Wasserstein Loss 进行学习

本文提出了一个基于 Wasserstein 距离的多标签学习损失函数，基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性，并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。

Jun, 2015