AAAIMar, 2021

序列推荐中的非侵入式自注意力用于辅助信息融合

PDF
TL;DR本研究提出了一种新方法 NOVA，在 BERT 框架下利用辅助信息来提供更好的注意力分布，以便更全面和更好地推荐。在公共和商业数据集上验证，本文提出的方法能够稳定地胜过现有技术。
sequential recommender systemsdeep learningbert frameworknovaside information
发现论文，激发创造
  • 基于解耦的顺序推荐侧信息融合

    通过提出一个新的解决方案，Decoupled Side Information Fusion, 提高了序列推荐中不同侧面信息的建模能力，通过实验验证了该方法在四个真实数据集上的有效性。

    Apr, 2022

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 基于注意力机制的多模态数据顺序推荐系统

    提出了一种基于多模态数据的关注机制的序列推荐方法，该方法利用图像、文字和类别等多模态数据，利用 attention 操作和多任务学习损失，提高了推荐系统的性能。

    May, 2024

  • 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

  • 具有附加信息的 Top-N 推荐的集体变分自编码器

    该论文提出了一种利用变分自编码器从辅助信息中学习特征表示和同时恢复用户评分和辅助信息的方法，相较于现有的基于辅助信息的推荐方法，其具有更高的效果

    Jul, 2018

  • 一种针对序列推荐的专注归纳偏置，超越自注意力

    提出了一种名为 BSARec 的新方法，利用傅里叶变换注入归纳偏差并整合低频和高频信息以减轻过平滑问题，通过在 6 个基准数据集上进行广泛实验，结果表明该模型在推荐性能方面优于其他 7 种基线方法。

    Dec, 2023

  • 自注意力序列推荐

    本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

    Aug, 2018

  • 使推荐系统更具专业知识：一个整合辅助信息的框架

    该研究提出了一种利用边缘信息来提高推荐系统性能的新框架，并通过实验证明，该推荐系统在准确率和收敛速度上优于其他最先进的模型。此外，该研究还探讨了关注机制的新型正则化损失，并提出了进一步改进的一些见解。

    Jun, 2024

  • 带有辅助信息的推荐研究综述及研究方向

    本文综述了基于用户或物品侧面信息的推荐系统研究，并从方法论和侧面信息表示两个角度，概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示，并探讨了应用推荐系统面临的挑战和未来发展方向。

    Sep, 2019

  • 序列学习的上下文非局部神经网络

    本文提出了 contextualized non-local neural networks (CN3) 模型，它综合了 self-attention 和 graph neural networks 两种方法的优点，能在一定范围内构建特定任务的句子结构，从而在文本分类、语义匹配和序列标注等 10 个 NLP 任务中表现优异。

    Nov, 2018