RecGURU: 跨域推荐通用用户表示的对抗学习
本文提出了一种名为 MAGRec 的方法,通过图神经网络在多域序列用户交互中进行高效学习,利用时间内和跨领域交互作为上下文信息进行学习,以解决多个域的负面知识转移问题并改善整体表示效果。实验表明,在不同场景下 MAGRec 一直优于现有的最先进方法。
Feb, 2023
提出了一种新颖的方法 RecSys-DAN,通过表示学习、对抗学习和转移学习(特别是域适应)来减轻交叉领域和领域内数据的稀疏性和不平衡性,并学习用户、项目及其交互的可传输潜在表示。该方法通过对抗损失进行最小最大博弈来学习目标域中的映射函数,旨在生成具有域不可区分性的表示形式。在真实的亚马逊数据上的实验结果表明,即使不使用目标域中的标记数据(即评分),RecSys-DAN 与最先进的监督方法相比具有竞争力。
Mar, 2019
本文提出了一种名为 Deep Multi-Graph Embedding (DMGE) 的新颖模型,它使用图神经网络和多源数据学习,以适应大规模项目内嵌物的数据稀疏性问题和领域间信息迁移问题。实验结果表明,DMGE 比其他现有的嵌入方法在各种任务中表现更好。
May, 2019
利用多个领域的信息来解决推荐系统中的数据稀疏问题是 CDR(跨领域推荐)的关键解决方案。本文提出了 HGDR(基于异构图的框架和解缠表示学习),这是一个端到端的异构网络架构,应用图卷积层来建模不同领域之间的关系,并利用解缠表示的思想来处理领域共享和领域特定的信息。实验结果表明,我们的模型能有效地在领域之间传递信息并达到领先水平。
Jul, 2024
本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型,该模型在电影、图书和音乐三个领域的数据集上经过充分测试,表现优于其他传统模型。
Oct, 2019
本文提出了一个名为 GA 的统一框架,它使用图形嵌入和注意力技术来提高所有数据集的推荐精度,包括 Dual-Target CDR,Multi-Target CDR 和 CDR+CSR,实验证明 GA 相比现有的 CDR 和 CSR 算法有更好的表现。
Aug, 2021
提出了一种基于生成对抗网络(GANs)、变分自动编码器(VAEs)和 Cycle-Consistency(CC)相结合的 D2D-TM 模型,用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题,并证明其在性能优化方面超过了现有技术。
Dec, 2018
该研究提出了一种名为 COAST 的新型跨领域推荐框架,通过感知实体之间的跨领域相似性和用户兴趣的对齐来提高双重领域的推荐性能,并使用用户表示和图卷积网络的消息传递机制来捕获用户和项目的高阶相似性,对跨领域推荐算法进行了广泛的实验,并证明 COAST 在多项任务中一致且显著优于同类算法。
Jan, 2023
提出一种面向冷启动用户的内容为基础的跨领域推荐方法,利用极端多类分类的形式来预测用户对物品的评分标签,构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络,实现了不依赖用户和物品重叠特征,不同领域之间的推荐, 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。
Mar, 2018
提出了一种基于双学习机制的跨领域用户行为建模方法,为两个相关领域建立双重的潜在嵌入,实现了在两个目标域上同时提高 CTR 预测性能的目标,实验证明了比其他最先进的模型表现更好的效率和性能。
Jun, 2021