WSDMFeb, 2022

具有行为多样性的对比元学习推荐

PDF
TL;DR该研究提出了一种新的模型 CML，即对比元学习，用于处理具有不同类型行为的多行为数据中用户和物品之间的关系，通过对比损失获取可传输知识，以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能，并释放出模型实现。
recommendation frameworkmultiplex user-item relationshipsbehavior datacontrastive meta learningrecommendation methods
发现论文，激发创造
  • 多行为推荐的超级元路径对比学习

    本篇论文提出了在推荐系统中使用超级元路径和图形对比学习的框架来解决多行为信息下的用户购买预测问题，并在广泛的比较实验中，显著优于所有基线方法。

    Sep, 2021

  • 推荐中的多视角多行为对比学习

    提出一种新的多行为多视角对比学习推荐算法，其中包括三种新的对比学习任务，可解决多行为建模中的挑战，在两个真实数据集的广泛评估和消融测试中，该方法取得了超越现有基线的 SOTA 性能。

    Mar, 2022

  • 多意图对比学习的知识感知多行为推荐

    多行为推荐通过基于用户的多样行为（如浏览、加入购物车和购买）提供更准确的选择来优化用户体验。本研究提出一种新颖模型：基于知识感知的多意图对比学习模型（KAMCL），利用知识图谱中的关系构建意图，从意图角度挖掘用户多行为之间的关联，并通过对比学习方案缓解数据稀缺问题，进一步增强用户表示。对三个真实数据集进行广泛实验证明了我们模型的优越性。

    Apr, 2024

  • 多行为推荐的图元网络

    通过引入多行为的模式建模到元学习范式中的多行为推荐框架，可以提高推荐性能。

    Oct, 2021

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 用于多行为推荐的粗到细知识增强多兴趣学习框架

    本文介绍了一种基于粗细粒度知识增强的多兴趣学习框架，用于在多行为推荐中学习共享和特定的行为兴趣，通过使用两个先进的模块收集和分配相应的行为兴趣，并运用自我关注机制在兴趣层次上将不同的行为信息相互关联。实证结果表明了我们的模型在利用多行为数据方面的效果和效率，以及共享和特定建模范式的鲁棒性和优越性。

    Aug, 2022

  • 多级串联行为的推荐学习

    本文介绍了一种名为 NMTR 的新型解决方案，其可以从多种类型的用户行为数据中学习推荐系统，并且在真实数据集上的实验表明，它明显优于其他现有的推荐系统，特别适用于缺乏数据交互的稀疏用户。

    Sep, 2018

  • 层次潜在关系建模用于协同度量学习

    本文提出了一种基于协作度量学习（Collaborative Metric Learning，CML）模型的层次模型，可以联合捕捉数据中的潜在用户 - 物品和物品 - 物品之间的关系，并在多个真实数据集上的推荐任务中表现出比现有模型更好的性能。

    Jul, 2021

  • 元选择器：用户级自适应模型选择的元学习推荐

    提出了一种元学习框架来实现基于用户的自适应模型选择， 在公开、生产数据集等数据集上进行了实验证明， 该方法在 AUC 和 LogLoss 等指标上优于单一模型基线和基于样本的模型选择器， 可以在在线推荐系统中带来巨大的利润收益。

    Jan, 2020

  • 通过记忆增强变压器网络进行多路行为关系学习推荐

    该研究旨在解决当前推荐系统仅考虑用户与物品的单一交互类型，无法识别具有复合行为关系的交互信号的问题，通过提出使用记忆 - 增强变压器网络（MATN）的方法实现多重行为关系信息推荐。经过实验证明，该方法在两个基准数据集和真实世界的电子商务用户行为数据方面均取得了显著的改进。

    Oct, 2021