Aug, 2022

个性化干预网络用于长尾顺序用户行为建模

PDF
TL;DR该论文提出了一种新方法，通过梯度聚合技术，学习所有用户的共同知识并在此基础上，为头部用户和尾部用户分别提供定制化的预测，从而显著提高了尾部用户的推荐效果。
recommendation systemsuser activenesslong-tail distributionpersonalizationgradient aggregation
发现论文，激发创造
  • 学习可迁移参数以用于长尾顺序用户行为建模

    本文针对用户行为模型在面对长尾分布的用户行为数据时表现不佳的问题，提出了一种利用梯度方向信息以及对抗训练进行知识迁移的框架，广泛实验表明该框架明显优于现有基线模型。

    Oct, 2020

  • 长尾式基于会话的推荐

    本文提出了一种新的网络架构 TailNet，将项目分类为短头和长尾项目并根据点击频率确定用户偏好，以软调整和个性化推荐，以提高长尾推荐的性能，同时保持与其他方法的竞争精度性能相当，通过两个真实世界数据集的广泛实验验证了我们方法的优越性。

    Jul, 2020

  • 视频排序模型中基于邻居的长尾排名问题增强

    本研究针对长尾排名问题，提出了一种基于邻居增强结构的排名模型，在 MovieLens 1M 数据集上证明比基线基于行为标签的模型具有更高的效率。

    Feb, 2023

  • 应对长尾推荐的挑战

    论文提出了一套基于图的算法集合，可以帮助解决商品推荐系统中 “长尾” 商品推荐困难的问题，并通过实验证明其有效性及优于现有技术。

    May, 2012

  • AMEND: 长尾轨迹预测的专家混合框架

    通过使用专门的专家组合和路由器网络，本研究提出了一种模块化、无模型依赖的轨迹预测框架，不仅在常见情景下取得了最新的性能，而且在长尾场景下显著提高了预测准确性。

    Feb, 2024

  • 通过个性化重新排序管理推荐系统中的流行度偏差

    本文介绍了一种基于个性化多样化重新排序的方法，以增加不受欢迎的项目在推荐中的表现，同时保持良好的推荐准确性，并展示了其对比现有基于规范化的方法对处理受欢迎程度偏差更有效，同时检验了各种新的和现有的指标来衡量推荐中长尾商品的覆盖率。

    Jan, 2019

  • 双重转移学习框架模型：长尾商品推荐的改进

    提出了一种基于双重转移学习框架的推荐系统，其中模型参数和项目特征从头部项目中转移，以改善在长尾分布情况下的尾部项目推荐性能。

    Oct, 2020

  • 在图上表征长尾类别

    本文提出了长尾数据在图分类中的泛化界限，为了解决这个问题，我们引入了多任务学习，并建立了一个通用框架 Tail2Learn，该框架通过分层任务分组模块和平衡对比学习模块，可以提高长尾类别在图上的性能。

    May, 2023

  • 大型语言模型增强的长尾用户和物品的顺序推荐

    研究通过引入大型语言模型增强顺序推荐系统的性能，以应对长尾用户和长尾商品的挑战，并提出了融合语义信息和协同信号的双视图建模方法来解决这些问题。同时，通过使用检索增强的自蒸馏技术，对用户偏好表示进行改进。实验证明，所提出的增强框架相比现有方法表现更优。

    May, 2024

  • 从信息级联中学习用户特定的潜在影响力和易感性

    以观察到的级联为基础，通过学习两个低维用户特定向量来预测级联动态，并捕捉他们的影响和易感性，从而更好地模拟依赖于上下文因素的信息传播效果。

    Oct, 2013