MMJul, 2022

利用时间衰减选择的顺序推荐的高效有效训练

PDF
TL;DR本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。
sequential recommender systemsneural networkstraining objectiverecency-based samplingmodel architectures
发现论文，激发创造
  • 自注意力序列推荐

    本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

    Aug, 2018

  • 一种职位推荐系统的时间学习和序列建模

    本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

    Aug, 2016

  • 序列推荐系统中训练损失中集成项目相关性

    提出了一个新的评估协议来解决 “多余噪声” 对顺序推荐系统的影响，并引入了一种新型的关联感知损失函数来训练该系统，使其更具有鲁棒性，该模型在传统评估协议中 NDCG@10 有 0.88% 的提高，在新评估协议中有 1.63% 的 NDCG@10 和 1.5％的 HR 提高。

    May, 2023

  • 基于序列的下一次购买预测推荐模型

    本文介绍了一种基于顺序模型的推荐系统，它利用原始交易数据进行预测，并在生产数据集上测试，取得了 47% 的 MAP@1 度量，证明了其效果的可靠性和实用性。同时，本文还探讨了将该系统嵌入 Nexus 数字体验架构的可能性和潜在的市场应用价值。

    Jul, 2022

  • 用于长短期顺序推荐的循环神经网络

    本篇研究探讨了 RNN 模型在短期和长期的推荐任务中的表现，发现堆叠的带有层归一化和相同物品嵌入的 RNN 模型表现最佳，能够准确预测用户的短期和长期交互。

    Jul, 2018

  • ELECRec：训练序列推荐器作为判别器

    本文提出了一种针对顺序推荐模型训练的方法，即将模型作为一个判别器而不是生成器来训练，并在训练过程中使用一个辅助的生成器模型来生成备选目标物品，最终得到具有高效率和高效果的模型。

    Apr, 2022

  • 通过级联引导的对抗训练实现更强大和准确的顺序推荐

    本文提出了 Cascade-guided Adversarial training，一种针对顺序推荐模型的新对抗性训练过程，以解决顺序推荐模型的健壮性和过度依赖时间信息的问题。实验结果表明，我们的训练方法在模型排名准确性和模型健壮性方面都优于标准模型训练和通用对抗性训练。

    Apr, 2023

  • 未来数据助力训练：为基于会话的推荐建模未来上下文

    我们提出了一种新的编码器 - 解码器框架 —— 基于填充缺失数据的推荐系统（GRec），通过缺失项填充机制来训练编码器和解码器，并考虑了精度和效率。实验表明，GRec 显著优于现有的序列推荐方法，并且未来的上下文对推荐的效用有很大的影响。

    Jun, 2019

  • 基于时间建模的混合模型用于顺序推荐系统

    本文介绍了基于深度学习的推荐系统方法，特别是基于循环神经网络、transformers 和 attention 机制的方法。通过多次实验和改进 Neural Attentive Recommendation Machine (NARM)，我们的研究表明优化后的 NARM 是所有现有基准方法中表现最好的。

    Mar, 2021

  • BERT4Rec: 使用 Transformer 的双向编码器表示进行序列推荐

    利用双向编码表示从历史行为中建模用户的动态演变偏好对于推荐系统至关重要，我们通过使用 Cloze 任务对历史序列项进行联合编码来解决这个问题，并在四个基准数据集上展开广泛实验，结果显示我们的模型在各种顺序模型中表现出色。

    Apr, 2019