Jul, 2022

基于序列的下一次购买预测推荐模型

PDF
TL;DR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。
recommendation systemtimelinesssequential modeldigital marketingtransaction data
发现论文，激发创造
  • 序列推荐系统：挑战、进展和前景

    本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。

    Dec, 2019

  • 具有时间图协同变换器的连续时间序列推荐

    提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

    Aug, 2021

  • 一种基于评论的序列推荐神经模型

    本研究提出了一个利用用户评论的神经序列推荐模型，以考虑长期偏好和短期时序，通过使用评论提取方面感知表示来编码每个用户或项目，并在联合级别和个人级别上采用新颖的分层注意力机制来捕捉顺序模式，并在三个真实世界数据集上取得显着的性能改进。

    Jul, 2019

  • 基于双边邻居协同关系建模的顺序推荐

    提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

    Nov, 2019

  • 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

  • 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

  • 利用时间衰减选择的顺序推荐的高效有效训练

    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。

    Jul, 2022

  • 基于图神经网络的顺序推荐

    本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks)，通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图，并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作，从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明，相比最先进的方法，该方法在公共和专有数据集上都达到了显著的性能提升，并且在序列长度方面也表现出了高效和有效的建模能力。

    Jun, 2021

  • 序列感知推荐系统

    本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

    Feb, 2018

  • AutoSeqRec：用于高效顺序推荐的自编码器

    AutoSeqRec 是一种用于顺序推荐任务的增量推荐模型。它基于自编码器，由编码器和三个解码器组成。通过重建用户 - 物品交互矩阵和物品转换矩阵的行列，捕捉用户的长期偏好和短期兴趣，最终实现了准确性、鲁棒性和高效性的提升。

    Aug, 2023