WWWFeb, 2022

重新设计下一步观看推荐以减少激进化倾向

PDF
TL;DR该研究旨在通过图论和随机游走的方法减轻推荐系统中极端化途径的问题，提出了一种基于吸收随机游走理论的贪心算法来优化建议的选择，其实验证实证可行。
recommender systemsradicalizationgraph theoryrandom walkheuristics
发现论文，激发创造
  • 量子计算在推荐系统特征选择上的应用

    利用量子计算机在推荐系统中解决经典计算机无法处理的问题是一个值得研究的课题。本文使用量子退火机解决推荐算法中的特征选择问题，并结合反事实分析，大大提高了基于物品的 KNN 推荐算法的性能，相较于纯粹使用互信息方法。大量实验证明，利用反事实分析在解决此类问题方面具有巨大潜力。

    Jul, 2024

  • 利用人工智能和机器学习生成的假设（使用 TxGraffiti）

    TxGraffiti 是一种基于机器学习和启发式方法的人工智能，旨在自动完成数学猜想的任务，并生成许多令人惊讶的猜想，已发表在权威的数学期刊上。本文概述了 TxGraffiti 所实施的机器学习和启发式技术，并宣布了一个新的在线版本，供对图论中的猜想感兴趣的人探索使用。

    Jul, 2024

  • 作为归纳编程的超级启发式方法的测试用例特征

    使用测试用例类型签名作为超启发式算法，选择多个较小的指令子集家族，以进一步减小归纳编程搜索空间的大小。

    Jun, 2024

  • 轻量级基于嵌入的推荐系统的全面性能基准测试

    这项研究通过全面的基准测试过程，对轻量级嵌入式推荐系统（LERSs）的性能、效率和跨任务可转移性进行了调查，并提出了一种高效的嵌入式压缩方法，采用幅度剪枝，克服了现有复杂 LERSs 方法的竞争力，并揭示了 LERSs 在协同过滤和基于内容的推荐两个任务中的独特性能以及其有效性和普适性的启示。

    Jun, 2024

  • 推荐系统中基于策略代理的公平暴露优化进行成效去偏差

    在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。

    Jun, 2024

  • 去偏推荐算法与噪音数据

    本文研究了推荐系统中用户对大多数物品的评级通常是非随机缺失，并提出了三种解决该问题的方法，分别是基于错误插补的方法（EIB）、倒数概率加权方法（IPS）和双重稳健方法（DR）。然而，这些方法忽略了另一种由观察到的评级和用户真实偏好之间不一致性所引起的偏差，即嘈杂反馈或结果测量误差。本研究进一步提出了一种交叉威胁的观点，旨在解决从缺失非随机数据和有噪声数据中学习预测模型的问题，并通过实验证明了所提方法的有效性。

    Jun, 2024

  • 记忆增强型神经求解器在组合优化中的高效自适应

    MEMENTO 是一种基于记忆的强化学习方法，可以在推理时间动态更新行动分布，提高神经求解器的适应性和性能。

    Jun, 2024

  • SimCE：简化协同过滤中的交叉熵损失

    学习目标对协同过滤系统至关重要，贝叶斯个性化排名（BPR）损失广泛用于学习信息丰富的骨干。然而，BPR 往往收敛较慢且局部最优解不理想，部分原因是因为它仅考虑每个正样本一个负样本，忽视了其他未观察到项目的潜在影响。为了解决这个问题，最近提出的采样 Softmax 交叉熵（SSM）将一个正样本与多个负样本进行比较，从而提高了性能。我们的综合实验证实，推荐系统在训练过程中始终受益于多个负样本。此外，我们引入了一种简化的采样 Softmax 交叉熵损失（SimCE），该损失使用其上界简化了 SSM。我们在 12 个基准数据集上进行验证，使用 MF 和 LightGCN 骨干，结果显示 SimCE 在性能上明显优于 BPR 和 SSM。

    Jun, 2024

  • 从启发法到理性：语言模型推理的动态启发法使用

    语言模型在多步推理中在早期阶段更依赖于启发式方法，包括词汇重叠，但随着接近最终答案，启发式方法的依赖程度减少，语言模型动态结合启发式和逻辑策略进行多步推理任务。

    Jun, 2024

  • LLM 引擎支持的解释方法：通过子图推理揭示推荐的原因

    利用大型语言模型和知识图谱相结合的方法，增强推荐系统的效果和可解释性，并通过实验证明在实际交叉销售推荐系统中具有实用性和潜力。

    Jun, 2024