提出了一种基于神经网络的新闻推荐方法,通过利用新闻的多种信息并采用注意力机制实现对新闻和用户的有效表示学习,成功提高了新闻推荐的准确性。
Jul, 2019
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
本文提出了一种名为 MIND 的新颖模型,通过多向量编码用户多样的兴趣来解决工业推荐系统中的候选物品匹配和排序问题,并通过对公共基准数据集和天猫的大规模产业数据集进行广泛实验,证明了 MIND 的出色性能。
Apr, 2019
本文提出了一种知识感知的交互匹配方法,通过使用知识图谱来捕获语义和实体之间的相关性,同时设计了新闻协同编码器和用户新闻协同编码器来学习正文新闻和候选新闻的表征以及用户兴趣的表征,从而有效提高了新闻推荐的性能。
Apr, 2021
提出候选感知的用户建模方法,结合候选新闻进行模型训练,以提高个性化新闻推荐的效率。实验表明该方法有效提升了新闻推荐性能。
Apr, 2022
本文提出了一种名为 Sparse Interest Network(SINE)的方法,该方法使用 sparse-interest 模块自适应地为每个用户推断出一个稀疏的概念集,并相应地输出多个嵌入,以明确建模多个兴趣点用于下一个项目的推荐。
Feb, 2021
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。
通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互,并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式,从而在新闻推荐系统中扩展高阶结构信息。实验结果表明,该模型在新闻推荐方面显著优于现有的方法。
Oct, 2019
本文提出了一种名为 “基于搜索的兴趣模型” 的新的建模范式,利用两个级联搜索单元在可扩展性和准确性方面,更好地对终生序列行为数据进行建模,并通过在大规模工业系统中的实现取得了良好的效果。
Jun, 2020
论文提出了一种名为 Deep Session Interest Network (DSIN) 的模型,它利用了用户历史行为序列中的多个会话,并将自我注意机制与双向 LSTM 相结合,以建模用户的兴趣演化,并通过局部激活单元自适应地学习各种会话对目标项目的影响,从而在在线广告和推荐系统等工业应用中提高了点击率(CTR)预测的准确性。
May, 2019