Jul, 2022

稳定学习提高多兴趣网络

PDF
TL;DR本研究借助 Hilbert-Schmidt 独立性准则提出了一种名为 Deep Stable Multi-Interest Learning (DESMIL) 的新型多兴趣网络，旨在通过为训练样本学习权重以消除捕获兴趣之间微妙依赖的影响，更多地关注底层真正的因果关系，并在公共推荐数据集，大规模工业数据集和模拟分布外数据的合成数据集上进行了大量实验，结果表明我们提出的 DESMIL 模型显著优于现有技术。
recommender systemsmulti-interest networkshilbert-schmidt independence criterionmodel performancedeep stable multi-interest learning
发现论文，激发创造
  • 深度稳定多兴趣学习用于序列推荐中的分布外情况

    该研究提出了一种名为 DESMIL 的新型多兴趣网络，通过使用注意模块提取多个兴趣，并基于 Hilbert-Schmidt 独立性标准（HSIC）估计加权相关性损失，从而最小化提取的兴趣之间的相关性，解决了现有多兴趣推荐模型没有考虑兴趣分布更改可能导致的泛化问题。

    Apr, 2023

  • Tmall 多兴趣网络动态路由推荐

    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

  • 希尔伯特 - 施密特独立准则下的强健学习

    使用 HSIC 作为损失函数学习鲁棒回归和分类模型，以期望产生具有良好概括性能力的模型用于处理无监督共变量漂移任务，实验表明其优于标准损失函数取得最新成果。

    Oct, 2019

  • 挖掘稳定偏好：多媒体推荐的自适应模态解耦

    该研究提出了一种 MODEST（MOdality DEcorrelating STable）学习框架，采用基于核的独立性检验测量方式，以学习用户对多媒体内容中不同模态的偏好，提高多媒体推荐性能。

    Jun, 2023

  • 多塔多兴趣推荐与用户表达驱散

    在信息过载的时代，推荐系统的价值在学术界和工业界都被广泛认可。尤其是多兴趣顺序推荐，是一个近年来受到越来越多关注的子领域。通过生成多个用户表示，多兴趣学习模型在理论和实证上都展示了比单个用户表示模型更出色的表现。尽管该领域有了重大进展，但仍然存在三个主要问题困扰着多兴趣学习方法的性能和可采用性，即训练和部署目标之间的差异，无法访问项目信息以及由于其单塔架构所导致的工业应用难度。我们通过提出一种具有用户表示排斥的新型多塔多兴趣框架来解决这些挑战。多个大规模工业数据集上的实验结果证明了我们提出的框架的有效性和泛化能力。

    Mar, 2024

  • 核最大化依赖下的自主学习

    本研究从统计相关性的角度探讨自我监督学习方法，提出了一种基于 Hilbert-Schmidt 独立性准则（SSL-HSIC）的自我监督学习方法，该方法最大化与图像表示转换和图像身份的相关性，并将那些表示的核化方差最小化。实验表明，该方法在 ImageNet 数据集上的表现可以匹敌当前的最佳方法。

    Jun, 2021

  • 每个人的偏好变化不同：加权多兴趣检索模型

    本文提出一种名为多兴趣偏好模型的方法，可以更有效地利用用户的顺序交互产生多个用户嵌入并自动学习一组权重来表示用户对每个嵌入的偏好，从而可以按比例从每个兴趣中检索候选项。

    Jul, 2022

  • 深度兴趣网络用于点击率预测

    本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

    Jun, 2017

  • 通过依赖估计的监督特征选择

    本文提出了基于 HSIC（Hilbert-Schmidt Independence Criterion）的特征选择框架，旨在将各种监督学习问题（包括分类和回归）统一起来。该方法通过后向逐步消除算法进行求解，Maximise features and labels 之间的相关性， 并在人工和实际数据集上展示了该方法的有效性。

    Apr, 2007

  • 自编码架构中的依赖瓶颈：一项实证研究

    研究通过使用 Hilbert-Schmidt 独立准则（HSIC）作为依赖度量来测量 DNN 中图层之间的依赖关系，从而更准确地研究 DNN 中的信息瓶颈和泛化特性，并在实验中评估了该方法在 auto-encoding 的应用。

    Feb, 2018