Nov, 2022

有影响力的推荐系统

PDF
TL;DR本文提出了一种新的推荐范式：有影响力的推荐系统（IRS），通过序列推荐一系列精心选择的商品（称为影响路径），以引导用户喜欢特定的商品，我们提出了基于 Transformer 的连续模型：有影响力的推荐网络（IRN），该模型可以编码物品之间的序列依赖关系；我们引入个性化印象蒙版（PIM）来模拟用户对外部影响的接收度，以为用户生成最有效的影响路径。实验结果表明，IRN 明显优于基线推荐系统，并展示了它影响用户兴趣的能力。
influential recommender systemirnpersonalized impressionability maskrecommendation paradigmcustomer interactions
发现论文，激发创造
  • 通过知识图谱增强的强化学习交互式推荐系统

    本研究探讨了在交互式推荐系统中，如何使用知识图谱来解决强化学习中的样本效率问题以及用户反馈稀疏问题，具体包括引导候选项选择，增强项和用户状态的表示和传递用户偏好。实验结果表明，该方法具有显著的改进优势。

    Jun, 2020

  • 社交推荐的神经影响扩散模型

    该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

    Apr, 2019

  • 交互式图卷积滤波

    提出了一种名为 “交互图卷积过滤模型” 的新颖方法，通过扩展交互式协同过滤到图模型中，增强用户和物品之间的协同过滤性能，同时采用变分推断技术解决非线性模型的计算难题，以及采用贝叶斯元学习方法有效解决冷启动问题，并对该方法建立理论上的遗憾界限，确保其稳健性能。在三个真实数据集上的广泛实验结果验证了该方法的优越性。

    Sep, 2023

  • 用于触发型推荐中点击率预测的深度兴趣高亮网络

    本文提出一种新的推荐问题，即可以明确引起用户瞬时兴趣的触发项，并根据其推荐相关的库存项。通过在真实的电子商务平台上的离线和在线评估，本研究证明了 Deep Interest Highlight Network (DIHN) 在 Trigger-Induced Recommendation (TIR) 场景下胜过现有的方法。

    Feb, 2022

  • 面向交互推荐系统中的长期用户反馈验证

    通过重新访问基于回顾数据集的 IRS 实验，我们将 RL 模型与简单的奖励模型进行比较，发现简单贪婪的奖励模型在最大化累积奖励方面一直优于 RL 模型；而将长期奖励赋予更高权重会导致推荐性能下降；用户反馈对基准数据集仅有长期影响。因此，我们得出结论：数据集需要经过谨慎验证，并且在评估 RL-IRS 方法时应包含简单贪婪基线。

    Aug, 2023

  • 深度进化网络：触发式推荐中的点击率预测

    通过设计用户即时兴趣模型层以预测用户滚动时即时兴趣强度的动态变化，利用时间信息进行用户行为建模，引入交互层以学习更好的触发器和目标项之间的交互，我们提出了一种新颖的方法 —— 深度演化即时兴趣网络（DEI2N），用于触发诱导推荐场景中的点击率预测。实验结果表明，我们的 DEI2N 方法在离线数据集和真实世界工业数据集上胜过现有的基准方法，而在线 A/B 测试则证明了其在实际生产环境中的优越性。

    Jan, 2024

  • IGNiteR: 微博应用中的新闻推荐（扩展版）

    利用深度学习技术和社交媒体上的社会互动，提出了基于流行程度和扩散路径、时效性、个体偏好等特征的微博新闻内容推荐模型 ——Influence-Graph News Recommender (IGNiteR)，并在两个真实数据集上展开大量实验。结果表明，它优于现有的基于深度学习的新闻推荐方法。

    Oct, 2022

  • NAIRS：一种神经注意力识别推荐系统

    本文介绍了一种名为 NAIRS 的神经注意力可解释推荐系统，它采用自注意网络作为主要组成部分，使用注意力机制对用户交互物品进行加权，能够个性化高质量地进行推荐并提供视觉提示来解释推荐，演示应用程序能够与推荐系统进行交互并不断收集训练数据来改进系统。实验结果表明，NAIRS 是有效的。

    Feb, 2019

  • 可控制的多兴趣推荐框架

    本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

    May, 2020

  • 通过个性化兴趣可持续性实现的连续推荐

    本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

    Sep, 2022