WWWFeb, 2022

用于序列推荐的滤波增强型 MLP

PDF
TL;DR在序列推荐任务中，使用深度神经网络（包括 RNN、CNN 和 Transformer）去捕获用户行为数据中的动态偏好特征以实现精准的推荐。由于用户行为数据中存在噪声，因此本研究将信号处理中的滤波算法应用于序列推荐任务中，实验表明使用可学习滤波器的全 MLP 架构 (FMLP-Rec) 可以显著提高推荐性能，尤其是优于 Transformer。
deep neural networkssequential recommendationfiltering algorithmslearnable filtersmlp
发现论文，激发创造
  • 序列推荐中 MLP 的复仇

    本文介绍了一种基于 MLP 的序列推荐架构 TriMLP，采用了新颖的 Triangular Mixer 来使得模型能够有序交互，同时也采用了双分支结构以分别捕获长期和短期预测上的信息。该模型在多个数据集上超过了多个现有 baseline，取得了很好的效果和稳定性。

    May, 2023

  • FAMLP: 一种面向领域泛化的频率感知 MLP-Like 架构

    提出了一种新颖的基于自适应傅里叶滤波器层和低秩增强模块的多层感知器结构，以提高 MLP 模型的领域适应性，实现了比其他方法更好的泛化性能。

    Mar, 2022

  • AutoMLP：面向序列推荐的自动 MLP

    提出了一种新型的、自适应的持续推荐系统 AutoMLP，旨在更好地对用户的长期和短期兴趣进行建模，通过端到端优化进行自动化和自适应搜索算法，与最先进的方法具有相当竞争性的性能，同时保持线性计算复杂度。

    Mar, 2023

  • 频域多层感知机在时间序列预测中的更高学习能效

    将 MLP 应用于频域的时间序列预测方法称为 FreTS，并在 13 个真实世界基准测试中展现出与现有方法相比的显著优势。

    Nov, 2023

  • 自注意力多对抗网络的顺序推荐

    本文探讨了如何通过敌对训练的方式，应用多因素生成对抗网络（MFGAN）来更好地利用上下文信息提高时序推荐系统的效率与实用性。实验证明，该架构在效果上优于现有模型，并能更好地追踪每个因素对推荐效果的贡献。

    May, 2020

  • 神经协同过滤

    本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

    Aug, 2017

  • 循环神经滤波器：学习独立的贝叶斯滤波步骤进行时间序列预测

    本文介绍了一种新的循环自编码器结构 —— 递归神经过滤器（RNF），通过一系列编码器和解码器学习 Bayesian 滤波每一步的不同表示，应用于三个实际时间序列数据集上，证明了这种解耦表示不仅提高了一步预测的准确性，同时提供了可信的不确定度估计，而且通过分离编码器阶段促进了多步预测。

    Jan, 2019

  • BMLP：面向异构序列推荐的行为感知多层感知机

    基于多层感知器 (MLP) 的异构顺序推荐方法 (BMLP) 通过建模多种行为类型和转换关系的异构兴趣知觉模块 (HIP) 以及自适应融合辅助行为子序列以捕捉用户购买意图的购买意图知觉模块 (PIP)，相比主要的序列模型，在准确性方面具有竞争优势并具有简单和高效的独特优势，广泛实验表明 BMLP 在四个公共数据集上显著改进了现有算法，而其纯 MLP 架构导致线性时间复杂度。

    Feb, 2024

  • 循环神经网络协同过滤

    本文提出一种将协同过滤视为序列预测问题的解决方案，应用了循环神经网络中的 LSTM 模型，并将其与标准的最近邻和矩阵分解方法在电影推荐方面进行了比较，表明 LSTM 在项目覆盖和短期预测方面具有竞争力，大大优于其他方法。

    Aug, 2016

  • 漏斗变压器：通过过滤连续冗余提高语言处理效率

    本研究提出了 Funnel-Transformer 模型，利用序列压缩来提升模型效率，在保证单向量序列表征的前提下极大地减少了计算成本。通过在模型构建时重新投资在长度缩短中节省下来的 FLOPs，进一步提高了模型容量。实验表明，Funnel-Transformer 在一系列序列级别的预测任务上表现优秀，包括文本分类、语言理解和阅读理解。

    Jun, 2020