SelfCF: 自监督协同过滤的简单框架

Jul, 2021

SelfCF: 自监督协同过滤的简单框架

SelfCF: A Simple Framework for Self-supervised Collaborative Filtering

Xin Zhou, Aixin Sun, Yong Liu, Jie Zhang, Chunyan Miao

TL;DR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。

Abstract

collaborative filtering (CF) is widely used to learn informative latent representations of users and items from observed interactions. Existing CF-based methods commonly adopt negative sampling to discriminate different items. Training with negative sampling on large datasets is comput

collaborative filtering self-supervised recommender system implicit feedback deep learning

发现论文，激发创造

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

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

协同过滤的高效数据特定模型搜索

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。

Jun, 2021

超图对比协作过滤

提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

Apr, 2022

使用用户 - 项目共自回归模型的协同过滤

文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型，它可以处理大规模的协同过滤任务，并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。

Dec, 2016

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

SimpleX：协同过滤的简单而强大的基准模型

通过对 11 个基准数据集进行广泛的实验，本研究体现了损失函数以及负采样比率的重要性，并进一步将余弦对比损失函数用于一个简单的统一协同过滤模型 SimpleX 中，结果表明，在 CCL 损失和大负采样比率下，SimpleX 可以大幅度超越大多数当前最先进的模型。

Sep, 2021

协同反思增强自编码网络用于推荐系统

文章提出了 Collaborative Reflection-Augmented Autoencoder Network (CRANet) 相关理论，旨在解决在训练阶段中由缺省数据引入的负信号所带来的推荐性能下降问题，并通过实验验证 CRANet 相比于其他推荐技术可以显著改善推荐问题的性能。

Jan, 2022

深度社交协同过滤

本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

Jul, 2019

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