SIGIRApr, 2022

粗到细的稀疏序列推荐

PDF
TL;DR该研究论文提出了一种新的基于自注意力机制的序列推荐方法 CaFe，通过同时建模用户的购物意向和交互项目，实现了对于稀疏数据的高质量推荐，相比于当前最先进的自注意力推荐方法，NDCG@5 的表现提高了 44.03%。
sequential recommendationself-attentive methodssparse dataitem representationsintent representations
发现论文，激发创造
  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • FineRec：探索细粒度顺序推荐

    使用 attribute-opinion 对 reviews 进行细粒度处理的新框架 FineRec，在顺序推荐中表现出色，通过大型语言模型提取 attribute-opinion 对，并创建 attribute-specific user-opinion-item 图，使用多样性感知的卷积操作在图中聚合信息，通过交互驱动的融合机制整合了所有属性的用户和物品表示，生成推荐结果。实验证明了 FineRec 在处理任务中的有效性。

    Apr, 2024

  • 基于上下文和属性感知的交叉注意力下一项推荐模型

    本文提出了使用多头自注意力块捕捉上下文和物品属性的上下文和属性感知推荐模型（CARCA），通过跨项目关注来预测它们的最终评分，实验证明该模型在评分预测中的表现优于当前最先进的模型，提高了 53％的归一化折扣累计增益（NDCG）和命中率。

    Apr, 2022

  • CAFE: 基于粗粒度到细粒度的神经符号推理的可解释推荐

    该研究提出了一种 CAFE 神经符号推理方法和 PPR 路径推理算法，它们结合了知识图谱和用户行为分析，提高了电子商务推荐系统的性能和可解释性。实验表明，该方法在实际数据集中得到了有效提升。

    Oct, 2020

  • 基于稀疏注意力记忆网络的长序列点击率预测

    本文针对在采用更长序列的情况下推荐精度和个性化程度的提高未得到很好处理的情况，提出了一种新的稀疏注意存储模型（SAM）以模拟用户行为序列，实现了高效的训练和实时推荐，并在大型电子商务平台上部署进行了 A/B 测试，结果表明，相对于传统模型，该模型能够显著提高用户点击率达到 7.30％的改善。

    Aug, 2022

  • 使用用户 - 项目共自回归模型的协同过滤

    文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型，它可以处理大规模的协同过滤任务，并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。

    Dec, 2016

  • 可控制的多兴趣推荐框架

    本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

    May, 2020

  • 基于可重复使用的自注意力机制的时尚推荐系统

    利用时序和语境信息，结合不同类型的时尚实体及其异构特征，使用可重用的基于注意力机制的时尚推荐算法 AFRA，提供个性化的排名流，风格相似的时装推荐，相似物品推荐和基于最近客户行为的同期推荐，在离线和在线实验中均取得了显著的客户留存和参与度的提高。

    Nov, 2022

  • 基于随机自注意力机制的序列推荐

    本文提出了一种基于 Stochastic Self-Attention 的推荐模型，用于解决现有顺序方法无法处理不确定性和协同传递性的问题，并在五个真实世界基准数据集上进行了广泛实验，证明其在冷启动项目上的优越性。

    Jan, 2022

  • SDM: 在线大规模推荐系统的序列深度匹配模型

    本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。

    Sep, 2019