序列推荐的稀疏兴趣网络

Feb, 2021

Sparse-Interest Network for Sequential Recommendation

Qiaoyu Tan, Jianwei Zhang, Jiangchao Yao, Ninghao Liu, Jingren Zhou...

TL;DR本文提出了一种名为 Sparse Interest Network（SINE）的方法，该方法使用 sparse-interest 模块自适应地为每个用户推断出一个稀疏的概念集，并相应地输出多个嵌入，以明确建模多个兴趣点用于下一个项目的推荐。

Abstract

Recent methods in sequential recommendation focus on learning an overall embedding vector from a user's behavior sequence for the next-item recommendation. However, from empirical analysis, we discovered that a user's behavior sequence often contains multiple conceptually distinct item

sequential recommendation embedding vectors multi-interest embedding sparse-interest module interest aggregation module

发现论文，激发创造

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

在共同演化的 Riemann 流形上进行顺序交互网络表示学习

本文提出了一种名为 SINCERE 的新方法，通过在共同进化的 Riemann 流形上表示序列交互网络，不仅考虑了各自空间中用户和项目嵌入轨迹，还强调了曲率随时间的演变。

May, 2023

可扩展的不完整网络嵌入

本研究提出了一种基于概率学习框架的可伸缩的不完整网络嵌入算法，该算法能够单独建模节点上下文和节点属性的关系，增强使用有用信息和抵御缺失信息对表示学习的负面影响，且可应用在包含数百万节点 / 边和高维节点特征的大规模网络中。

Oct, 2018

深度兴趣网络用于点击率预测

本文提出了一种新型的模型：深度兴趣网络（DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

Jun, 2017

每个人的偏好变化不同：加权多兴趣检索模型

本文提出一种名为多兴趣偏好模型的方法，可以更有效地利用用户的顺序交互产生多个用户嵌入并自动学习一组权重来表示用户对每个嵌入的偏好，从而可以按比例从每个兴趣中检索候选项。

Jul, 2022

基于图神经网络的顺序推荐

本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks)，通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图，并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作，从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明，相比最先进的方法，该方法在公共和专有数据集上都达到了显著的性能提升，并且在序列长度方面也表现出了高效和有效的建模能力。

Jun, 2021

面向新闻推荐的多利益新闻序列建模

本文提出了一种基于会话的新闻推荐系统，使用多感兴趣主题模型来为用户推荐下一条新闻。通过自注意力模型，将每条新闻转化为信息嵌入，并采用并行的兴趣网络，提取嵌入在新闻序列中的多个潜在兴趣，最终实验结果证明该模型比其他现有模型表现更好。

Jul, 2022

轻量级自注意力序列推荐

该论文介绍了一种新型轻量级自注意网络 LSAN，通过组成嵌入将原始嵌入矩阵进行压缩并提出了时态上下文感知的嵌入组合方案以解决目前序列推荐中所存在的大量参数嵌入矩阵对资源受限环境的开销过大的问题，并拥有更强的性能表现。

Aug, 2021

RNE：面向亿级推荐的可扩展网络嵌入

本文提出了一种基于网络嵌入的数据有效性推荐方法 RNE，该方法能够针对亿级场景进行个性化和多样化推荐，同时保持用户和项目之间的本地结构并建模用户兴趣的多样性和动态性以提高推荐质量，而且还能够在分布式方式下实现，显著优化可扩展性。实验证实，在淘宝亿级规模的推荐场景下，RNE 与基于 CF 的方法相比，能够同时实现高质量和多样化结果，在 Pinterest 数据集上也展现出了显著优越性能。

Mar, 2020

基于流聚类和记忆网络的大规模推荐系统中的用户兴趣增强

用户兴趣增强（UIE）是一种新颖的方案，通过使用增强向量、个性化增强向量以及从不同视角生成的流聚类和记忆网络，增强用户包括用户个人资料和用户历史行为序列的兴趣，不仅显著提高了具有稀疏兴趣的用户的模型性能，而且也极大地提升了其他用户的模型性能。UIE 不仅易于基于排名模型实施，还可以扩展到长尾商品，也取得了出色的改进。在大规模工业推荐系统的离线和在线实验中，我们的模型明显优于其他模型，特别是对于具有稀疏兴趣的用户。目前，UIE 已在多个大规模推荐系统中全面部署并取得了显著改进。

May, 2024