Aug, 2022

基于时间感知的自我注意力与逻辑推理相结合的推荐系统

PDF
TL;DR本文提出了一个基于时间感知的自我注意力协同推荐模型，将时间模式和自我注意力机制融入基于推理的推荐，提供更深层的用户偏好表示，并在基准数据集上进行了广泛的实验，表明该模型在推荐方面达到了显著的改进，并始终优于现有方法。
recommender systemslogical reasoningtemporal patternsself-attention mechanismneural collaborative reasoning
发现论文，激发创造
  • Déjà vu: 基于上下文的时间关注机制用于序列推荐

    该研究通过提出一种应对历史事件对用户当前行为影响具有时变性和受上下文影响的上下文化时间关注机制，动态校准不同时间段和上下文中历史行为对当前行为的影响，以提高推荐系统的性能。实证评估结果表明，在两个大型公共推荐数据集上，该模型始终优于现有的顺序推荐方法。

    Jan, 2020

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 基于对比学习和自注意力机制的时间接近度上的顺序推荐

    通过对用户行为的纵向和横向时间关系进行建模，我们提出了一个名为 TemProxRec 的顺序推荐模型，该模型通过对比学习和自注意方法来准确预测特定时间段内的相关项目。

    Feb, 2024

  • 学习用户偏好的异质时间模式以实现及时推荐

    提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

    Apr, 2021

  • 自注意力序列推荐

    本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

    Aug, 2018

  • 序列推荐中的非侵入式自注意力用于辅助信息融合

    本研究提出了一种新方法 NOVA，在 BERT 框架下利用辅助信息来提供更好的注意力分布，以便更全面和更好地推荐。在公共和商业数据集上验证，本文提出的方法能够稳定地胜过现有技术。

    Mar, 2021

  • 轻量级自注意力序列推荐

    该论文介绍了一种新型轻量级自注意网络 LSAN，通过组成嵌入将原始嵌入矩阵进行压缩并提出了时态上下文感知的嵌入组合方案以解决目前序列推荐中所存在的大量参数嵌入矩阵对资源受限环境的开销过大的问题，并拥有更强的性能表现。

    Aug, 2021

  • MEANTIME：用多时间戳嵌入混合注意机制进行顺序推荐

    提出 MEANTIME，采用多种类型的时间嵌入和完全利用多样性的注意力结构，超越了当前最先进的连续推荐方法，通过广泛的消融研究来分析模型如何从多样的位置信息中获益。

    Aug, 2020

  • 神经协作推理

    本文提出了一种新的协作推荐系统框架，即协作推理 (CR)，将学习和推理融为一体。该框架通过一种神经模块化的形式，将符号推理操作嵌入到基于神经网络的模型中，将逻辑表达式等价地组织为神经网络，从而实现了在连续空间中进行逻辑推理和预测。实验证明，与现有的浅层、深层和推理模型相比，本文提出的框架具有更好的推荐性能。

    May, 2020

  • 交互式注意力门控循环神经网络用于推荐

    本论文提出了一种交互式注意力门控循环网络 (IARN)，该方法采用注意力模型来衡量推荐过程中每个时间步的相关性，旨在更好地建模用户和物品的动态变化以及它们对用户 - 物品交互的共同影响，实现了对用户历史记录中不同时间步的有针对性的记忆，得到了比同类方法更好的推荐效果。

    Sep, 2017