利用正面和负面的隐式反馈进行新闻推荐的去噪神经网络
研究探讨了去噪隐式反馈机制对于推荐系统训练的影响和重要性,提出了一种自适应去噪训练策略(ADT),通过在训练过程中适当地剪枝噪声交互以提高推荐系统的训练质量。实验结果表明,ADT 显著改善了推荐质量。
Jun, 2020
为了提高新闻推荐的用户兴趣模型和模型训练的效果,我们提出了一种利用各种用户反馈的统一用户建模框架,并采用强到弱的注意力网络来提炼正负用户兴趣,以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。
Feb, 2021
研究了匿名用户的新闻推荐问题,提出了一种基于正负反馈的用户行为建模框架,综合考虑用户和文章的观看时间等不同反馈信息,以实现更精确、多样化和出乎意料的推荐效果。
May, 2022
推荐系统中的负反馈在基于图的推荐中被广泛忽视,本研究提出了一种名为 DFGNN 的模型,通过设计双频图滤波器 (DGF) 来捕捉包含正反馈和负反馈的低频和高频信号,并应用有符号图正则化来解决表示退化问题。
May, 2024
根据部署的推荐系统收集到的用户反馈进行训练的推荐模型常常存在偏见,而且由于用户反馈受到暴露机制的影响,会产生大量误负样本。本研究深入分析了数据暴露机制以及反馈循环对推荐质量和用户体验的负面影响,并提出了一种无偏算法来减轻暴露机制和反馈循环的交叉效应。实验结果表明,使用该算法能够更好地处理偏见积累问题。
Nov, 2023
本文提出了一种深度知识感知网络 (DKN),将知识图谱表示法融入新闻推荐中,使用多通道和单词 / 实体对齐的知识感知卷积神经网络 (KCNN) 整合新闻的语义水平和知识水平表示,设计注意力模块在 DKN 中动态聚合用户历史以及目前候选新闻,实验证明 DKN 在真实在线新闻平台所取得的成果超过了所有最先进的深度推荐模型,并证实了 DKN 中使用知识的有效性。
Jan, 2018
针对推荐系统中存在的正 - 未标记问题,本研究提出一种理想损失函数和无偏估计器,并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明,该方法在最大化推荐物品相关性方面具有更好的性能,特别是对于在训练数据中很少出现的物品。
Sep, 2019
介绍了一种新的图像降噪算法,该算法利用了隐式神经表示 (INRs) 在低噪声和真实噪声情况下具有先天降噪能力的特点,通过惩罚更深层次的权重增长来最大化这种天然的降噪能力,比现有的零样本降噪方法更优。
Apr, 2022