WWWApr, 2021

学习用户偏好的异质时间模式以实现及时推荐

PDF
TL;DR提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。
发现论文，激发创造
  • 时间图变换器的多行为序列推荐

    本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。

    Jun, 2022

  • 一种职位推荐系统的时间学习和序列建模

    本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

    Aug, 2016

  • 基于对比学习和自注意力机制的时间接近度上的顺序推荐

    通过对用户行为的纵向和横向时间关系进行建模，我们提出了一个名为 TemProxRec 的顺序推荐模型，该模型通过对比学习和自注意方法来准确预测特定时间段内的相关项目。

    Feb, 2024

  • Déjà vu: 基于上下文的时间关注机制用于序列推荐

    该研究通过提出一种应对历史事件对用户当前行为影响具有时变性和受上下文影响的上下文化时间关注机制，动态校准不同时间段和上下文中历史行为对当前行为的影响，以提高推荐系统的性能。实证评估结果表明，在两个大型公共推荐数据集上，该模型始终优于现有的顺序推荐方法。

    Jan, 2020

  • 面向未来的多样趋势推荐框架

    本文提出了一种基于历史和未来偏好的新型推荐框架（FAT），通过同时考虑用户历史行为和未来趋势，获得更好的推荐效果。实验证明，该框架在现实数据集上表现优异，可以进行新鲜和互补推荐，较之其他序列推荐方法更具优势。

    Nov, 2020

  • 基于时间元路径引导的可解释推荐

    本文利用注意力机制，沿着连续商品之间的路径进行良好设计的商品 - 商品路径建模，以顺序建模动态知识图上的动态用户 - 商品演变，以获得可解释的推荐。通过对三个真实世界基准数据集上的广泛评估，我们证明了 TMER 相对于最近强基线的最新性能。

    Jan, 2021

  • 具有时间图协同变换器的连续时间序列推荐

    提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

    Aug, 2021

  • 基于梯度调整的推荐系统时间跳跃

    本文提出了一种名为 LeapRec 的元学习算法，用于解决推荐系统中用户偏好和物品热度变化所导致的时间动态问题。实验结果表明 LeapRec 优于现有方法，并研究了全局时间跃迁和有序时间跃迁的交互作用。

    Dec, 2021

  • 基于时间感知的自我注意力与逻辑推理相结合的推荐系统

    本文提出了一个基于时间感知的自我注意力协同推荐模型，将时间模式和自我注意力机制融入基于推理的推荐，提供更深层的用户偏好表示，并在基准数据集上进行了广泛的实验，表明该模型在推荐方面达到了显著的改进，并始终优于现有方法。

    Aug, 2022

  • 时间至上：一种联合分级 RNN 和点过程模型的时间和项目预测方法

    本文提出了一种基于 Hierarchical RNN 和 Point Process 模型的联合模型，在推荐和用户回归时间预测方面显著提高了推荐质量。

    Dec, 2018