Aug, 2022

生成顺序推荐的负样本

PDF
TL;DR本文提出了 Generate Negative Samples (items) for SR (GenNi) 方法，使用当前 SR 模型中已学习的用户偏好在每个时间步骤采样负面项目，以提供高质量的负面样本，验证了其在四个公共数据集上的有效性和效率。
发现论文，激发创造
  • 贝叶斯负采样用于推荐

    提出了一种基于贝叶斯分类器的负采样算法（BNS），通过区分真负样本和虚假负样本，提高了负采样的质量和推荐性能。

    Apr, 2022

  • 个性化负反馈贮存器在推荐系统中的增量学习

    为了改善用户体验，推荐系统需要不断扩展和提升模型，但这会带来更多的计算负担。本文提出了个性化的负样本储备策略，平衡了遗忘与可塑性，有效地处理增量学习问题。通过在三个常用的增量推荐模型中整合我们的设计，我们实现了在标准基准测试中的最新成果。

    Mar, 2024

  • 基于邻域的硬负样本挖掘用于序列推荐

    本文提出一种基于图结构和邻域重叠的负采样方法，通过课程学习控制负例难度，有效地提升基于序列推荐模型的训练与预测性能。

    Jun, 2023

  • 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

  • 强化知识图谱中的负采样用于推荐

    本研究通过建立一种基于知识图谱的负采样模型，使用增强学习算法在用户互动中导航生成高质量的负样本，设计和验证了适用于推荐系统的负样本生成策略，并在测试中获得了显著的性能改进。

    Mar, 2020

  • 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

  • 从负面用户反馈学习和衡量顺序推荐器的响应性

    我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。

    Aug, 2023

  • 简化和加强隐式协同过滤负采样

    本文提出一种简化负采样模型的方法，通过针对设计的内存进行高效采样，解决模型学习中的假阴性问题。在两个合成数据集和三个真实数据集上的实证结果表明，该方法在负采样方面具有鲁棒性和优越性。

    Sep, 2020

  • 图表示学习中负采样的理解

    本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在 19 个实验设置中证明了其优越性。

    May, 2020

  • 神经网络序列推荐模型评估的抽样策略案例研究

    本研究针对目前流行的序列推荐模型的负样本采样方法进行重新评估，发现流行的负样本采样方法并不能保证与完整数据集的排名结果一致，建议结合多种评估策略进行排名比较。

    Jul, 2021