SIGIRMay, 2021

Set2setRank：基于协同集合排序的隐性反馈推荐

PDF
TL;DR研究人员在探索隐性反馈的独特特征之后，提出了 Set2setRank 框架来解决由于用户的行为数据缺乏导致的推荐结果不尽如人意的问题。该框架的优化目标是通过对比已观察到的和未观察到的商品，最大化满足用户偏好的商品排名。
implicit feedbackcollaborative filteringrecommendationobserved item setset2setrank
发现论文，激发创造
  • SetRank：基于集合贝叶斯方法的隐式反馈协同排名

    本文提出了一种基于集合的贝叶斯方法 SetRank 用于协同排序，旨在最大化新颖的集合偏好比较的后验概率。同时作者还经过理论分析表明误差的上界与用户和产品数量成正比。最后，四个真实世界数据集的广泛实验清楚地验证了 SetRank 相对于各种现有技术基线的优越性。

    Feb, 2020

  • 评分的五十种变化：如何在 Top-N 推荐任务中受益于负反馈

    提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

    Jul, 2016

  • 排名与评分：用于推荐系统的多任务学习

    本文提出了一种利用用户的双重决策过程的多任务框架，针对推荐系统领域的排名和评分预测任务进行优化，通过在两个基准数据集上进行测试，证明了其优于现有技术的表现。

    Jul, 2018

  • 基于贝叶斯的个性化排名算法：从隐式反馈中学习

    本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。

    May, 2012

  • 将评论整合到个性化排名中以进行冷启动推荐

    该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。

    Jan, 2017

  • SelfCF: 自监督协同过滤的简单框架

    本文提出了一种自监督的协同过滤框架 (SelfCF)，能够用于隐式反馈的推荐场景，该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型，通过三种输出扰动技术来增强骨干网络生成的嵌入，尽管不区分背骨模型，但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性，训练速度为 2×-4×，平均能提升 17.79％与自我监督框架 BUIR 相比。

    Jul, 2021

  • 基于协同过滤的具有物品依赖的课程推荐的两阶段模型

    基于协同过滤模型的课程推荐引擎的提出与优化，解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战，并通过基于课程转换网络的图推荐器，实现了真实数据集 AUC 值高达 0.97。

    Nov, 2023

  • 基于成对比较的大规模协作排名偏好数据填充

    本文针对协作排名问题展开研究，通过基于凸优化的算法和 AltSVM 这种大规模非凸实现方式，实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好，该算法展现出了在多个协作过滤数据集中 NDCG 和排名性能的许多中等规模基线的表现优势。

    Jul, 2015

  • 基于部分排序的偏好值补全

    本文提出了一种协同偏好完成问题的高效算法，涉及在基于有限数量的观测关联值的情况下，针对一组实体在共享的项目集上联合估计个性化排名。该算法利用了一个观察结论，即虽然偏好通常被记为数字分数，但感兴趣的预测量实际上是底层排名，因此，直接拟合底层偏好顺序的估计器结合核范数约束来鼓励低秩参数。尽管具有广泛适用性，但该算法对于表示总体或区块总体顺序的监督的计算复杂度与基于核范数规则化估计的矩阵完成标准算法相差不大。此外，本文还提出了一项挑战性应用，即协同排名脑区与认知神经科学术语之间的关联。

    Nov, 2016

  • 通过生成式用户反馈从稀疏数据中学习推荐

    通过合成反馈循环 (CF-SFL) 来模拟用户反馈的学习框架提高传统协作过滤 (CF) 的推荐系统，能够以更好的结果在多个数据集上提升用户体验。

    Oct, 2019