Jul, 2021

去偏见的隐性反馈可解释的成对排名

PDF
TL;DR本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。
recommender systemsfairnessbayesian personalized rankingexplainabilityexposure bias
发现论文，激发创造
  • 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

  • 交叉成对排名用于无偏物品推荐

    本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。

    Apr, 2022

  • 可持续透明度在推荐系统中的应用：基于贝叶斯排序的图片解释能力

    为了解决推荐系统中透明性和用户信任的问题，研究人员提出了一种名为 BRIE 的新模型，通过采用基于贝叶斯对比排序的更适当的学习目标，实现比现有模型更卓越的性能，同时具有较高的效率。

    Jul, 2023

  • 推荐系统中的对抗性个性化排序

    提出了一种名为 Adversarial Personalized Ranking（APR）的新的推荐模型优化框架，成功地通过对用户和物品的嵌入向量进行对抗训练，提高了模型的稳健性和泛化性能。在三个真实数据集上的实验证明，与 Bayesian Personalized Ranking（BPR）方法相比，该方法可以实现 11.2% 的相对改进，并在项目推荐方面实现了最新的性能，可用于实际推荐系统中。

    Aug, 2018

  • 基于 Pareto 双向排序的推荐系统公平性增强

    本文提出了一种新的学习排序算法 Pareto Pairwise Ranking，该算法不仅在技术准确度方面表现出色，而且在公平性方面是目前 9 种现行算法中最公平的算法。

    Dec, 2022

  • VBPR：使用隐式反馈的视觉贝叶斯个性化排序

    本文利用预先训练的深度神经网络提取商品图像的视觉特征，并在此基础上构建一个可扩展的因式分解模型，将视觉信号与人们的偏好相结合，从而提高了个性化推荐和排名的准确性，并缓解了 “冷启动” 问题。

    Oct, 2015

  • 基于先验知识的监督个性化排序推荐

    研究论文提出了一种新的监督个性化排序（SPR）损失函数，改进了常用的点级和对级损失函数的问题，通过利用先前的知识信息，构造 <用户、相似用户、正面项目、负面项目> 四元组，大大加快了收敛速度，提高了推荐性能。

    Jul, 2022

  • 利用观察数据优化贝叶斯个性化排名的采样器设计

    该研究提出了针对电子商务领域的负采样算法，使用用户的附加反馈来优化商品推荐模型，在两个真实数据集中相对于基础模型有着 37.03％和 16.40％的提升，同时采用了适合学习过程的用户定向加权策略，有针对性地调整商品排序，避免了不必要的负样本采样。

    Sep, 2018

  • 私人成对排名的速率最优等级聚合

    采用随机响应机制来保护原始的成对排序，确保在下游排序聚合中对真实偏好和排序进行一致估计，并建立了隐私保护的最优保证与估计误差之间的最小最大速率。

    Feb, 2024

  • 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