异构推荐的深度统一表示
在大规模工业电子商务中,强调在线推荐系统的效率对于传递与多样化业务场景相关的高度相关的物品 / 内容广告至关重要。然而,现有研究大多专注于物品广告而忽视了内容广告的重要性,导致多实体结构内的不一致性和不公平检索。本文提出了一种能够解决这些问题的统一在线前 k 推荐的鲁棒表示学习方法,该方法构建了实体空间内的统一建模来确保数据的公平性。通过域对抗学习和多视图 Wasserstein 分布学习来学习鲁棒表示,同时通过同方差权重和正交约束来平衡冲突目标。各种实验证实了我们提出的方法的有效性和合理性,并在实际业务场景中成功部署。
Oct, 2023
调查了不同类型的推荐框架的发展,重点关注于异构关系学习,分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法,探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。
Oct, 2021
该研究旨在提高推荐系统的效果,通过结合知识图谱中的全局信息和用户 - 物品交互数据中的局部信息,使用一个创新的 Duet 表示学习框架 KADM 来训练语义融合网络,成功地解决了现有的基于知识图谱的方法只关注图中结构信息的缺陷。
Dec, 2020
该文介绍了一种名为 NHR 的神经混合推荐框架,可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息,以及在同样的问题上使用不同的损失函数达到评级预测问题,测试结果在真实世界数据集中显示了优异的性能。
Sep, 2019
本文中,我们开发了一种新颖的神经网络模型,通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。
Dec, 2019
该论文提出了一种名为 Deep User Perception Network(DUPN)的方法,通过采用 LSTM 和注意力机制来建模用户行为序列,学习不同任务通用的用户表示,以达到更加有效的个性化推荐,离线和在线实验结果表明 DUPN 在五个不同的任务上都表现出 better results,Taobao 上的大规模操作任务也得到了部署。
May, 2018
UniRec 是一个新颖的双向增强顺序推荐方法,利用序列一致性和物品频率来提高性能,特别是在表示不均匀序列和低频物品方面;与其他先进模型相比,在四个数据集上表现显著优越。
Jun, 2024
本篇论文研究了如何将结构化知识应用于可解释性推荐引擎中,提出了一种基于知识嵌入的框架,能够在保留用户和项目关系结构的同时,生成个性化解释说明推荐结果,并在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。
May, 2018