KDDJun, 2021

协同过滤的高效数据特定模型搜索

PDF
TL;DR本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。
collaborative filteringlatent factor modelautomated machine learningcf taskssearch strategy
发现论文，激发创造
  • 协同过滤的高效联合超参数和架构搜索

    利用自动机器学习技术自适应设计协同过滤模型的研究，提出了一种综合考虑超参数与架构搜索的算法，通过筛选有用的超参数选择来减少搜索空间，以及通过两阶段搜索算法来高效地找到适当的配置，实验证明了该算法在真实数据集上的优越性。

    Jul, 2023

  • 跨领域推荐的选择性迁移学习

    该研究论文提出一种基于经验预测误差和方差的新标准，用于更好地捕捉协同过滤设置中跨领域的一致性，从而在提高评分预测精度方面显著改进了几项最先进的方法。

    Oct, 2012

  • 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

  • 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

  • 推荐系统的协作深度学习

    本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

    Sep, 2014

  • AutoSVD++：一种通过压缩自动编码器实现的高效混合协同过滤模型

    本文提出了一种将自编码器范式与矩阵分解相结合的新型混合模型，通过建模内容信息的有效性和紧凑性的表示，并利用隐式用户反馈进行精准推荐，从而优化项目推荐，实验结果表明该方法优于比较方法。

    Apr, 2017

  • 基于分布式表示的混合推荐系统与短物品描述

    本文提出了一种基于文本向量表示的协作过滤算法，用于在获取商品评分困难的情况下进行推荐，并与现有的算法进行了对比验证其有效性。

    Mar, 2017

  • 融合主题和社交潜在因素的协同过滤算法在隐式反馈中的应用

    本文以 user-generated content 为基础，提出了一种新的模型 MR3，将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来，加入了 implicit feedback 从而提高了其预测精度。

    Mar, 2018

  • 神经协同过滤

    本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

    Aug, 2017

  • 主动式协同过滤

    本文讨论的是在线和交互式协作过滤中的查询问题，并提出了使用离线原型设计和计算期望信息价值的界来减小在线计算的开销，重点研究了多因素向量量化模型的案例。

    Oct, 2012