MMJul, 2022

利用对比学习的内容推荐中的负面偏好探测

PDF
TL;DR本研究采用对比学习 (contrastive learning) 模型并结合三种不同的训练策略来分析用户对负向偏好在音乐口味中的作用，证实了将负向偏好纳入音乐推荐系统的可行性，并且实验证明了负向偏好训练策略对于提高音乐推荐准确度和减少误报率的有效性。
music recommendation systemnegative preferencecontrastive learninguser satisfactionperformance improvements
发现论文，激发创造
  • 推荐系统中的损失厌恶：利用用户负面偏好提高推荐质量

    描述了一种新的推荐算法，该算法明确地建模了负面用户偏好，以便在推荐列表的顶部推荐更多积极的物品，从而提高准确性并减少负面物品的数量。

    Dec, 2018

  • 音乐个性化的负反馈

    使用真实的负反馈作为输入和训练目标，在网络广播的下一首推荐系统中，有助于减少训练时间约 60％，并提高测试准确性约 6％；同时，添加用户跳过作为额外输入还可以显著增加用户覆盖率并略微提高准确性。

    Jun, 2024

  • 利用自注意力机制来加强负向信号在序列音乐推荐中的作用

    使用基于 transformer 的自注意力架构来学习顺序音乐推荐中的隐式会话级信息，同时提出一项对比学习任务来纳入负面反馈，以促进正面命中和惩罚负面命中，并通过实验证明这种方法相比忽略负面用户反馈的基准架构具有一致的性能提升。

    Sep, 2023

  • 交互式个性化音乐推荐中的探索：一种强化学习方法

    本文提出了一种基于强化学习和贝叶斯模型的音乐推荐和播放列表生成方法，探讨了探索和利用用户偏好的平衡，并表明这种新方法具有很强的潜力。

    Nov, 2013

  • 学习内容相似度进行音乐推荐

    本文提出一种由协同过滤数据样本优化得到的基于内容相似度度量的音乐推荐系统，能够对于新颖或不受欢迎音乐领域的查询给出高精度和高效率的回答，并且在实验中得出了显著的精度改善。

    May, 2011

  • 使用正负框架掩码的对比学习用于音乐表示

    本文提出了基于对比学习的音乐表示的新方法 PEMR，它具有正负帧层级掩码生成模块和用于获得关于正负音频片段相似性的对比学习目标，该方法与现有方法相比更有效地学习音乐的有效表示。

    Mar, 2022

  • 音乐推荐的深度内容 - 用户嵌入模型

    本文提出了一种深度内容 - 用户嵌入模型，它采用混合方法解决了冷启动问题，并考虑了不同模式数据的联合，同时在音乐推荐和音乐自动标记任务中，表现出了明显的优势。

    Jul, 2018

  • 升高声音：协作式推荐中的偏好偏差放大

    本文研究了推荐系统中的个性化、校准、偏差差异等主题，检验了不同算法和物品类别之间的显著差异。

    Sep, 2019

  • 利用深度强化学习进行带有负反馈的推荐

    文章提出了一种利用强化学习学习交互过程中优化策略的推荐系统，通过深度学习框架将正反馈同时整合到系统中进行优化，证明了该方法可以提高推荐精度。

    Feb, 2018

  • 评分的五十种变化：如何在 Top-N 推荐任务中受益于负反馈

    提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

    Jul, 2016