SIGIRMay, 2021

通过反向预训练变压器增强顺序推荐的伪先前项目

PDF
TL;DR本研究提出了一个新的框架 ASReP，其目的是增强短序列数据的特征，避免 transformer-based models 在冷启动问题上性能不佳。通过预训练将 transformer 引导生成历史虚拟数据，并在时间顺序上微调 transformer。实验证明 ASReP 的应用有效性。
sequential recommendationtransformer-based modelscold-start issueasreppseudo-prior items
发现论文，激发创造
  • 带双向时间增强的 Transformer 序列推荐

    研究通过双向时间排序转换数据增强和自主知识蒸馏提高顺序推荐中对于短序列的精度

    Dec, 2021

  • BERT4Rec: 使用 Transformer 的双向编码器表示进行序列推荐

    利用双向编码表示从历史行为中建模用户的动态演变偏好对于推荐系统至关重要，我们通过使用 Cloze 任务对历史序列项进行联合编码来解决这个问题，并在四个基准数据集上展开广泛实验，结果显示我们的模型在各种顺序模型中表现出色。

    Apr, 2019

  • 利用时间衰减选择的顺序推荐的高效有效训练

    本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。

    Jul, 2022

  • 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

  • 基于随机自注意力机制的序列推荐

    本文提出了一种基于 Stochastic Self-Attention 的推荐模型，用于解决现有顺序方法无法处理不确定性和协同传递性的问题，并在五个真实世界基准数据集上进行了广泛实验，证明其在冷启动项目上的优越性。

    Jan, 2022

  • AutoSeqRec：用于高效顺序推荐的自编码器

    AutoSeqRec 是一种用于顺序推荐任务的增量推荐模型。它基于自编码器，由编码器和三个解码器组成。通过重建用户 - 物品交互矩阵和物品转换矩阵的行列，捕捉用户的长期偏好和短期兴趣，最终实现了准确性、鲁棒性和高效性的提升。

    Aug, 2023

  • 具有鲁棒增强的对比自监督序列推荐

    本文研究对于顺序推荐问题，应用对比自监督学习来缓解数据稀疏和噪声等问题，并提出两种信息增强算子构建高质量视图进行对比学习，实验表明该方法可以提升模型性能和鲁棒性。

    Aug, 2021

  • 多关系转换器辅助项关系下的顺序推荐

    对于顺序推荐中的辅助物品关系，提出了一个基于多关系变形器的顺序推荐方法进行建模，并通过实验表明其在冷启动问题等方面的有效性。

    Oct, 2022

  • ConvFormer：重新审视用于顺序用户建模的 Transformer

    用户行为序列模型是个性化推荐系统中的关键任务之一，本文通过重新审视 Transformer-like 架构，并引入 ConvFormer，提出了三个设定高效的序贯用户模型的关键准则，从而取得了最先进的结果。

    Aug, 2023

  • MISSRec：用于推荐的预训练和迁移多模态兴趣感知序列表示

    该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐，以解决现有基于 ID 特征的推荐方法在稀疏 ID 和冷启动问题方面的性能不佳的问题。通过在用户和候选项两方面分别设计 Transformer-based 的编码器 - 解码器模型和动态融合模块，MISSRec 能够实现更鲁棒且可迁移的序列表示，该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。

    Aug, 2023