Apr, 2022

自动化机器学习推荐系统的综合调查

PDF
TL;DR本文总结了自动机器学习用于生成深度推荐系统模型的方法。作者概述了自动机器学习和相关技术，讨论了自动化特征选择、嵌入、交互和训练模型的最新方法，指出已有的基于自动机器学习的推荐系统正向着具有抽象搜索空间和高效搜索算法的多组件联合搜索方向发展，并略述了吸引人的未来研究方向。
deep recommender systemsautomated machine learningfeature selectionmodel trainingrecommender systems
发现论文，激发创造
  • 基于深度学习的推荐系统：综述与新视角

    本文综述了基于深度学习的推荐系统的最新研究进展，提出和总结了深度学习推荐模型的分类法和现有技术的综述，同时扩展了当前趋势并提供了对这一新兴领域的新见解。

    Jul, 2017

  • 面向个性化推荐系统的深度学习推荐模型

    该论文提供了一个使用 PyTorch 和 Caffe2 框架实现的深度学习推荐模型，该模型使用模型并行处理嵌入层以缓解内存限制，并利用数据并行扩展计算。与现有模型相比，该模型在 Big Basin AI 平台上的表现得到了完善的特性和良好的性能，并可作为未来算法实验和系统设计的基准。

    May, 2019

  • AutoField: 深度推荐系统中的特征选择自动化

    本文提出了一种自适应选择重要特征字段的 AutoML 框架，该框架设计了一个可微的控制器网络，通过自动调整选择特定特征字段的概率来重新训练深度推荐模型，实验证明了该框架的有效性。

    Apr, 2022

  • 自动机器学习在推荐系统中的潜力

    在本研究中，我们比较了来自 15 个库的 60 个 AutoML、AutoRecSys、ML 和 RecSys 算法的预测性能，发现 AutoML 和 AutoRecSys 库在模拟无经验用户的情况下表现最佳，但 RecSys 算法在平均表现上落后于 AutoML，而 ML 算法通常表现最差。

    Feb, 2024

  • 基于深度强化学习的显式用户 - 物品交互模型推荐

    本研究提出了一个基于深度增强学习的新型推荐框架，称为 DRR，它将推荐视为一种顺序决策过程，并采用 “Actor-Critic” 增强学习方案来模拟用户与推荐系统之间的交互，同时考虑动态适应和长期回报，经过四个真实数据集的广泛实验，证明了 DRR 方法确实优于现有的竞争对手。

    Oct, 2018

  • 流式推荐中的自动嵌入维度搜索（AutoEmb）

    本文提出了一种基于 AutoML 的深度学习推荐系统框架 (AutoEmb), 其中包含可以自动选择嵌入维度的动态嵌入层，实验结果表明该框架的有效性。

    Feb, 2020

  • AutoML: 现有技术的概述

    本文综述了自动机器学习领域中的最新研究进展，包括数据准备、特征工程、超参数优化和神经架构搜索等方面，并着重探讨了神经架构搜索的性能和发展方向，指出目前自动机器学习领域的存在的问题及未来研究方向。

    Aug, 2019

  • 强化学习推荐系统综述

    本文对基于强化学习的推荐系统进行了综述，提出了一个 RLRS 框架，包括状态表示，策略优化，奖励制定和环境构建，并针对 RLRS 算法进行了调查，强调出现的主题并展示了各种图表。

    Jan, 2021

  • 从数据到决策：机器学习在商业推荐中的变革性能量

    本研究探索了机器学习对推荐系统的影响，特别是在商业环境中它们日益重要的背景下。揭示了机器学习在数据获取、特征工程和评估指标等方面对推荐系统的塑造和优化作用，并强调了增强推荐算法的迭代性质。探索了推荐引擎在各个领域的应用，以展示它们对用户体验和决策过程的重要影响。该研究还提到了用户对个性化和根据偏好动态调整的无缝在线体验的不断增加的期望。未来的研究方向包括探索深度学习模型的进展、推荐系统部署中的伦理考虑以及可扩展性挑战。本研究强调了了解和利用机器学习在个性化推荐商业前景中的不可或缺性，对于研究人员和实践者来说，这有助于充分发挥个性化推荐的潜力。

    Feb, 2024

  • 多模态推荐系统：一份综述

    本文是关于多模态推荐系统的技术视角的综述，主要介绍了多模态推荐系统的一般过程、挑战、三类现有模型，以及数据集和代码资源的总结，同时讨论了未来的发展方向。

    Feb, 2023