没有用户会被遗漏：为提高推荐系统对非主流用户的效用而努力

WSDMFeb, 2021

没有用户会被遗漏：为提高推荐系统对非主流用户的效用而努力

Leave No User Behind: Towards Improving the Utility of Recommender Systems for Non-mainstream Users

Roger Zhe Li, Julián Urbano, Alan Hanjalic

TL;DR介绍了一种名为 NAECF 的概念简单而有效的算法来解决协作过滤推荐中主流偏见的问题，该方法通过添加自编码器层来学习用户和物品特征，从而使得机器学习到的表示更加均衡，降低了针对主流用户的偏见。

Abstract

In a collaborative-filtering recommendation scenario, biases in the data will likely propagate in the learned recommendations. In this paper we focus on the so-called mainstream bias: the tendency of a recommender system to provide better recommendations to users who have a mainstream

collaborative filtering mainstream bias autoencoder neural networks de-biasing

发现论文，激发创造

通过端对端自适应局部学习对抗主流偏见

通过提出一种名为 TALL 的新型端到端自适应本地学习框架，研究通过缓解主流偏见来改善基于协同过滤的推荐算法，在提高主流和小众用户的推荐质量方面取得了最先进的性能。

Apr, 2024

利用变分自动编码器为以前不曾见过的用户提供公平的推荐

提出了通过限制种群信息的编码来缓解变分自编码器为基础的推荐系统中的歧视问题的新方法，并对这些方法进行了评估，可以为未在训练数据中表示的用户提供公平的推荐。

Aug, 2023

基于自编码器的混合推荐系统

本文介绍了一种用于推荐系统的基于自编码器的架构，通过使用适用于缺失数据的损失函数和引入侧面信息来改进其性能。实验证明，侧面信息对冷启动用户 / 物品的影响更显著。

Jun, 2016

协同反思增强自编码网络用于推荐系统

文章提出了 Collaborative Reflection-Augmented Autoencoder Network (CRANet) 相关理论，旨在解决在训练阶段中由缺省数据引入的负信号所带来的推荐性能下降问题，并通过实验验证 CRANet 相比于其他推荐技术可以显著改善推荐问题的性能。

Jan, 2022

神经协同过滤

本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

Aug, 2017

协同过滤的深度自编码器训练

本文提出了一种基于深度自编码器的新模型，通过对 Netflix 数据集进行评分预测任务，相对于之前的模型具有明显优势。该模型不需要层预训练，采用 6 层自编码器进行端到端的训练，通过实验证明：深度自编码器模型的泛化能力比浅层模型更好，负部分的非线性激活函数对于训练深度模型至关重要，必须大量采用正则化技术，如 dropout，以防止过拟合。此外，我们提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法显著加速了训练并改善了模型性能。

Aug, 2017

推荐系统中流行度偏差的不公平性

研究推荐系统的流行度偏见问题，从用户的角度出发，通过对用户兴趣的分类（利基、多样性和网红聚焦）和对电影数据集的实验结果显示，即使用户对长尾和不受欢迎的项目感兴趣，许多推荐算法在推荐中仍然极度集中于流行项目，出现极端的偏见差异。

Jul, 2019

异构网络中多维信息深度协同过滤

本文提出了一种基于神经网络和异质信息网络的多方面协作过滤模型，用于解决推荐系统中的信息过载问题，通过对用户和物品进行各个方面的相似度矩阵建模和深度神经网络训练，融合各个方面的潜在因素提高推荐性能。

Sep, 2019

通用用户表示的迁移学习

我们提出了一个新颖的框架，用于大规模推荐系统中用户的表示，旨在以一种广义的方式有效地表示多样化的用户喜好。我们的方法采用了一种两阶段的方法，结合表示学习和迁移学习。表示学习模型使用自编码器将各种用户特征压缩成表示空间。在第二阶段，特定于任务的下游模型通过迁移学习利用用户表示，而不是单独地整理用户特征。我们进一步改进了这种方法的输入特征，以增加灵活性并实现对用户事件（包括新用户体验）的近实时反应。此外，我们提出了一种新的解决方案，以管理此框架在生产模型中的部署，允许下游模型独立工作。我们通过大规模系统中的严格离线和在线实验验证了我们框架的性能，展示了其在多个评估任务中的显着功效。最后，我们展示了所提出的框架如何显著降低基础设施成本，相比于其他方法。

Mar, 2024

神经互动协同过滤

本文研究基于交互反馈的协同过滤推荐系统，提出了一种使用神经网络进行探索策略的方法，并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略，在三个标准数据集上的实验证明了该方法的优越性。

Jul, 2020