MMJan, 2022

推荐系统的批量与顺序主动学习比较

PDF
TL;DR通过比较五种不同的主动学习算法与三种不同的预测器算法的组合，本研究为了解决推荐系统中的冷启动问题，探讨了如何准确预测用户喜好，提供更精准的推荐。同时，通过评估推荐器的评分预测、决策支持和排名等方面，发现在数据集较为密集的情形下，顺序模式能够提供最准确的推荐，并发现在大多数情况下，最佳的预测器是 FunkSVD。
发现论文，激发创造
  • 序列感知推荐系统

    本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

    Feb, 2018

  • 主动自适应的序列学习

    提出了一种主动和自适应地解决一系列机器学习问题的框架，该框架通过使用一些未标记数据池中的最具信息量的样本，利用先前步骤中获得的信息，使用基于随机梯度下降的主动学习算法来实现近乎最优的风险性能，并构建了一个学习问题变化的估计器，通过使用主动学习样本提供一种自适应的样本大小选择规则，以保证足够的时间步数时超额风险是有界的。

    May, 2018

  • 通过属性驱动的主动学习解决物品冷启动问题

    在本篇论文中，我们提出了一种结合活跃学习与商品属性信息的新型冷启动推荐方法，该方法基于商品属性和用户的评价历史设计了有用的用户选择标准，并将该标准组合成选择用户的优化框架。通过利用反馈评分、用户先前评分和商品属性，我们为其他未被选中的用户生成准确的评分预测。实验结果表明，我们的方法优于传统方法。

    May, 2018

  • 可解释的主动学习用于偏好调查

    通过主动学习和基于用户的偏好调取方法，解决在推荐系统中缺乏用户存在或受限于其他用户数据访问的冷启动问题，从而提供个性化推荐。

    Sep, 2023

  • 序列推荐的对比学习

    提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

    Oct, 2020

  • 主动学习 meets 优化项目选择

    提出了一个新的组合优化问题，以生成优化的项目选择，以缩短收集随机训练数据的时间，并结合离散优化、无监督聚类和潜在文本嵌入技术来解决优化问题，并讨论了如何将优化的项目选择与主动学习相结合用于随机探索。

    Nov, 2021

  • 推荐系统中的冷启动商品推广

    通过使用二分网络表示法，本文针对冷启动问题，旨在探讨在推荐系统中如何设计高效的营销策略，并通过实验发现，将新商品与一些不太活跃的用户联系起来比简单地将新商品推送给活跃用户更具效果。

    Apr, 2014

  • 元学习器冷启动的序列推荐

    提出一个元学习的序列推荐框架 Mecos 解决冷启动问题，可以从有限的交互中提取用户偏好，与神经网络模型轻松集成，实验证明比其他基线方法表现更好。

    Dec, 2020

  • 序列推荐系统：挑战、进展和前景

    本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。

    Dec, 2019

  • 神经互动协同过滤

    本文研究基于交互反馈的协同过滤推荐系统，提出了一种使用神经网络进行探索策略的方法，并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略，在三个标准数据集上的实验证明了该方法的优越性。

    Jul, 2020