IJCAIJun, 2021

利用自监督模仿提高顺序推荐的一致性

PDF
TL;DR本文提出了一种用自监督模仿的方法来提高序列推荐一致性的模型 ——SSI，该模型通过三个自监督预训练任务来提取一致性知识，实现了全局会话一致性，并通过集成的模仿学习框架成功地将一致性知识内化和转移给学生模型。实验证明，SSI 可以有效地胜任实际应用数据集上的顺序推荐任务，并且比现有的相关方法表现更好。
sequential recommendationself-supervised imitationconsistency knowledgeglobal session consistencyreal-world datasets
发现论文，激发创造
  • S^3-Rec: 自监督学习与互信息最大化在序列推荐中的应用

    提出了一种基于神经网络架构和自监督学习的序列推荐模型 S^3-Rec，通过最大化互信息的原理学习属性、项目、子序列和序列之间的相关性，从而充分利用内在数据关联提高模型表示能力，经实验证明，在数据稀疏的条件下，该方法优于现有最先进的方法，且可以推广到其他推荐模型。

    Aug, 2020

  • 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

  • 消除任何人的落后：在线自我监督自我蒸馏用于顺序推荐

    在线自监督自蒸馏的顺序推荐方法（S^4Rec）应用于现代推荐系统中，通过在线聚类和对抗学习策略来有效地处理数据稀疏性和用户行为数据有限性的挑战，并利用自监督学习和自蒸馏方法实现知识传递。

    Mar, 2024

  • 自监督强化学习用于推荐系统

    本文中提出了一种自我监督强化学习算法来弥补监督式推荐算法的不足，为仍处于离线状态的推荐者提供强大的梯度信号支持，其中包括两个输出层；一个用于自我监督，另一个用于强化学习，从而实现顾虑到长期用户参与度以及多种用户 - 项目交互等因素的推荐任务。

    Jun, 2020

  • 自我学习图神经网络用于顺序推荐

    我们提出了一种名为自我监督图神经网络（SelfGNN）的新型框架，用于顺序推荐。该框架通过时间间隔对短期图进行编码，并利用图神经网络（GNN）学习短期协作关系。它通过间隔融合和动态行为建模，在多个粒度级别捕捉长期用户和物品表示。我们的个性化自增强学习结构通过根据长期用户兴趣和个人稳定性减轻短期图中的噪声，增强了模型的鲁棒性。广泛的实验证明，SelfGNN 优于各种最先进的基线模型。

    May, 2024

  • 基于自监督图形联合训练的基于会话推荐

    本文提出了一种基于自我监督图协同训练的框架，结合自我监督学习和共同训练对会话数据进行增强，其在 session-based 推荐模型中的应用表现领先于现有的基于 item/segment dropout 的方法，大大提高了推荐的推荐质量。

    Aug, 2021

  • 大规模物品推荐的自监督学习

    提出了一种用于大规模商品推荐的多任务自监督学习（SSL）框架，通过学习商品特征的潜在关系来解决标签稀疏性问题，并通过数据增强方法提高模型泛化性能，结果表明此框架可以显著提高推荐系统的商业指标，在模型得到很少监控的情况下特别有效。

    Jul, 2020

  • 通过个性化兴趣可持续性实现的连续推荐

    本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

    Sep, 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

  • 社会感知自我监督三训练推荐

    本文提出了一个集成 tri-training 的通用社交感知的自监督学习框架，将节点间的自我监督信号与其他节点的监督信号结合起来，以提高推荐系统性能。实验证明了该框架的有效性。

    Jun, 2021