超级推荐:增强环境位置表示的推荐模型
该研究提出了一种基于低秩假设的推荐算法,用非凸秩松弛而不是核范数来提供更好的秩近似和高效的优化策略,经过实验证明,该方法将 Top-N 推荐的准确性提升到了一个新的水平。
Jan, 2016
通过分析位置编码,我们发现它们提供了不可从时间信息推断的项之间的相对信息,并且不同的编码方式会影响指标和稳定性。我们通过研究发现正确的位置编码可以达到最新的最先进结果,但更重要的是,某些编码方式能够稳定训练。
May, 2024
本文提出了一种名为 TransRec 的方法,它可以将用户和项目之间以及项目之间的复杂交互建模,用于预测用户的个性化顺序行为,通过将项目嵌入到 “转换空间” 中,并使用用户来操作项目序列的翻译向量,以便捕捉第三阶交互关系。在广泛的真实世界数据集中,该方法表现优于现有方法。
Jul, 2017
本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络,以学习有意义的统计图结构模式和非线性扩散过程,从而生成已知的评分,具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验,表明该方法优于现有技术。
Apr, 2017
本文旨在探讨如何通过数据融合来提高评分预测的准确性,通过扩展 Social MF 模型以及提出新的 MR3 框架,即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统,提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。
Jan, 2016
这篇研究论文从图的角度考虑了推荐系统的矩阵填充问题,提出了一个基于可微分消息传递的自编码器框架,并在该领域常用的协同过滤数据集中表现出了良好的性能,尤其是在结构化数据和社交网络数据等背景信息充足的场景中的表现更为优异。
Jun, 2017
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
本文提出了一种基于语义分析和生成模型的推荐系统方法(SAR),能够从用户评分数据中学习出用户和物品的语义表示,并通过语义匹配得出更精准的推荐结果,实验证明 SAR 大幅优于其他同类算法。
Feb, 2017
本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中,作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案,该方案在 100 多个参与者中获得第 5 名,证明序列模型在推荐系统中具有非常好的应用前景。
Aug, 2016
本文介绍了一种用于推荐系统的基于自编码器的架构,通过使用适用于缺失数据的损失函数和引入侧面信息来改进其性能。实验证明,侧面信息对冷启动用户 / 物品的影响更显著。
Jun, 2016