AAAIDec, 2021

基于梯度调整的推荐系统时间跳跃

PDF
TL;DR本文提出了一种名为 LeapRec 的元学习算法，用于解决推荐系统中用户偏好和物品热度变化所导致的时间动态问题。实验结果表明 LeapRec 优于现有方法，并研究了全局时间跃迁和有序时间跃迁的交互作用。
recommender systemstemporal dynamicsmeta-learningtrajectory-basedrecommendation metrics
发现论文，激发创造
  • 一种职位推荐系统的时间学习和序列建模

    本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

    Aug, 2016

  • 具有时间图协同变换器的连续时间序列推荐

    提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

    Aug, 2021

  • 在线推荐中的长短期时间元学习

    提出了一种基于 LSTTM 框架的在线推荐系统，它可以同时捕捉用户的长期和短期兴趣，采用不同的聚合方法和训练策略分别学习用户的短期和长期偏好，并引入了一种基于 MAML 的时间元学习方法以快速适应实时变化的用户兴趣。该框架在 WeChat Top Stories 推荐系统上的离线评估和在线评估中都取得了显著的改进。

    May, 2021

  • 面向在线推荐系统的适应时移数据分布的未来梯度下降

    提出了一种方法，通过元学习未来梯度生成器来预测未来数据分布的梯度信息，从而训练推荐模型并减小时序领域广义误差，相比 Batch Update 算法，该算法在本地遗憾中的梯度变异项中实现更小的时序领域广义误差。

    Sep, 2022

  • 时间图变换器的多行为序列推荐

    本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。

    Jun, 2022

  • 学习用户偏好的异质时间模式以实现及时推荐

    提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

    Apr, 2021

  • AdaRec：适应性顺序推荐以增强用户的长期参与

    AdaRec 是一种适应性的顺序推荐模型，利用基于距离的表示损失从用户的交互轨迹中提取潜在信息，帮助策略识别推荐系统的细微变化，并通过乐观推测的方式进行探索，同时使用零阶动作优化以在复杂环境中保持稳定的推荐质量。在模拟器和实际应用中，AdaRec 在长期性能方面优于所有基准算法。

    Oct, 2023

  • 基于时间元路径引导的可解释推荐

    本文利用注意力机制，沿着连续商品之间的路径进行良好设计的商品 - 商品路径建模，以顺序建模动态知识图上的动态用户 - 商品演变，以获得可解释的推荐。通过对三个真实世界基准数据集上的广泛评估，我们证明了 TMER 相对于最近强基线的最新性能。

    Jan, 2021

  • 基于翻译的推荐系统

    本文提出了一种名为 TransRec 的方法，它可以将用户和项目之间以及项目之间的复杂交互建模，用于预测用户的个性化顺序行为，通过将项目嵌入到 “转换空间” 中，并使用用户来操作项目序列的翻译向量，以便捕捉第三阶交互关系。在广泛的真实世界数据集中，该方法表现优于现有方法。

    Jul, 2017

  • 动态推荐的时序图网络框架

    我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。

    Mar, 2024