推荐系统在实践中的应用：面向归纳学习和增量更新

Nov, 2022

推荐系统在实践中的应用：面向归纳学习和增量更新

Situating Recommender Systems in Practice: Towards Inductive Learning and Incremental Updates

Tobias Schnabel, Mengting Wan, Longqi Yang

TL;DR本研究论文对推荐系统进行了综述，并指出现有方法的局限性，即很多方法只针对已有数据进行学习，难以应用于新用户或物品，同时也难以动态更新。因此，未来应该发展基于归纳学习和增量更新的推荐模型，并提出了未来研究的方向和待解决的问题。

Abstract

With information systems becoming larger scale, recommendation systems are a topic of growing interest in machine learning research and industry. Even though progress on improving model design has been rapid in r

recommendation systems machine learning transductive learning inductive learning incremental updates

发现论文，激发创造

第四届在线推荐系统和用户建模研讨会论文集 -- ORSUM 2021

探索在线服务的动态特性，通过增量算法在数据流中进行用户建模和个性化推荐。

Jan, 2022

推荐系统简介

本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

Feb, 2023

基于深度学习的推荐系统：综述与新视角

本文综述了基于深度学习的推荐系统的最新研究进展，提出和总结了深度学习推荐模型的分类法和现有技术的综述，同时扩展了当前趋势并提供了对这一新兴领域的新见解。

Jul, 2017

推荐系统与人的交互

该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

Mar, 2017

推动基线推荐系统的极限：结合意见挖掘和信息检索技术的综述

本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

May, 2022

从大型语言模型到推荐系统的知识迁移：实践工业应用

借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

May, 2024

面向开放世界推荐：一种基于归纳模型的协同过滤方法

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

使用机器学习进行餐厅推荐的研究

本文主要介绍了基于机器学习的推荐系统，分析了在推荐系统中机器学习所应用的技术和思想，让更多人了解大数据与机器学习的含义和对我们日常生活的深远影响。

Aug, 2022

面向终身学习者的综合教育推荐系统

本研究旨在通过 Integrative approach 构建一个新颖的 TrueLearn 教育推荐系统，该系统由多种学习参考驱动，可以同时考虑学习者的知识和内容的新颖性，并保持长期时间的准确学习者代表性。

Dec, 2019

关于概念化和电子学习中学习路径推荐系统的概述

通过调查研究项目的方式，我们提出了一个学习路径的概念，并在这一背景下嵌入了五种不同的推荐系统，以促进学生的学习和理解。

Jun, 2024