Apr, 2022

基于多个领域的多样化偏好增强冷启动推荐

PDF
TL;DR本文提出了一种基于元学习和多源领域自适应的多元偏好增强框架（MetaDPA），以解决稀疏交互和冷启动问题，并通过将多领域信息最大化约束（MDI）添加到变分自编码器的潜在表示上来学习领域共享和特定的偏好属性，同时通过互斥约束（ME）生成内容数据的多样化评分。实验结果表明，MetaDPA 明显优于当前最优秀的基线。
cold-startrecommendationsmeta-learningmulti-source adaptationdiverse preference augmentation
发现论文，激发创造
  • 基于深度领域适应的跨域推荐

    提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

    Mar, 2018

  • 通过元优化方法进行价值偏好的跨域转移

    通过深入研究用户偏好和情感偏好理论，我们提出了一种新的跨域方法，称为 CVPM，它将跨域兴趣转移形式化为参数化元学习和自监督学习的混合架构，不仅可以在更细的层面上转移用户偏好，还可以通过非重叠用户的知识进行信号增强，我们通过深度学习编码器来学习这些分布的差异，并利用预训练模型和物品流行度来采样伪交互物品以确保两个分布的完整性，最终通过多种任务和广泛的实验结果证明了我们提出的框架的有效性和先进性。

    Jun, 2024

  • 在线元学习的多源和半监督领域适应

    该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能，通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN，MCD 和 MME)，实验表明达到了多项 DA 基准的最佳效果。

    Apr, 2020

  • 推荐系统的领域间翻译模型

    提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

    Dec, 2018

  • 多源域适应回归

    多源领域自适应算法通过回归问题的两步骤流程，提供了在多个源领域利用信息进行预测的方法，其中使用了灵活的单源自适应算法和集成学习，通过多种学习范式在目标适应学习器中实现线性组合，改进了预测性能。

    Dec, 2023

  • 多源域自适应的专家混合模型

    本论文提出了一种用于多源无监督领域自适应的专家混合方法，旨在显式地捕获目标示例与不同源域之间的关系，以点到集度量为表达方式，通过元训练无监督地学习这个度量，并在情感分析和词性标注方面进行实验，证明了我们的方法始终优于多个基准线，并可以稳健地处理负迁移。

    Sep, 2018

  • 基于伪目标域的多源无监督域自适应

    提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

    Feb, 2022

  • 深度学习时代的多源域适应：系统综述

    本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

    Feb, 2020

  • 跨领域推荐系统

    通过将扩展领域的知识转移到目标领域，提出了一种名为 Diffusion Cross-domain Recommendation (DiffCDR) 的新型 CDR 模型，其利用了扩散概率模型 (DPMs) 的概念和映射模块，在冷启动和热启动场景下，在各种 CDR 任务上超过了基线模型的效果。

    Feb, 2024

  • 跨领域推荐的用户偏好个性化迁移

    提出了一种名为个性化用户偏好传递跨域推荐的新框架，在现有的基于特征桥的方法的基础上，使用元网络来为每个用户生成个性化的桥函数，以此实现每个用户偏好的个性化传递。使用大型真实数据集进行了实验验证新框架的有效性。

    Oct, 2021