推荐系统中 Tsetlin 机与深度神经网络的比较

Dec, 2022

推荐系统中 Tsetlin 机与深度神经网络的比较

A Comparison Between Tsetlin Machines and Deep Neural Networks in the Context of Recommendation Systems

Karl Audun Borgersen, Morten Goodwin, Jivitesh Sharma

TL;DR本文开发了第一个基于 Tsetlin Machines 的推荐系统并与深度学习模型进行了绩效、可解释性和可扩展性方面的比较，并提供了与 RS 相关的类似机器学习方案的基准绩效比较

Abstract

recommendation systems (RSs) are ubiquitous in modern society and are one of the largest points of interaction between humans and AI. Modern RSs are often implemented using deep learning models, which are infamou

recommendation systems deep learning tsetlin machines interpretability performance

发现论文，激发创造

时间推荐的解释

本文介绍了一个框架，用于提高深度学习模型中可解释的时间推荐，同时进行准确预测和解释生成，利用基于 LSTM 的循环神经网络结构和基于邻域的解释生成技术，在 Netflix 数据集上进行了实验验证。

Jul, 2018

从数据到决策：机器学习在商业推荐中的变革性能量

本研究探索了机器学习对推荐系统的影响，特别是在商业环境中它们日益重要的背景下。揭示了机器学习在数据获取、特征工程和评估指标等方面对推荐系统的塑造和优化作用，并强调了增强推荐算法的迭代性质。探索了推荐引擎在各个领域的应用，以展示它们对用户体验和决策过程的重要影响。该研究还提到了用户对个性化和根据偏好动态调整的无缝在线体验的不断增加的期望。未来的研究方向包括探索深度学习模型的进展、推荐系统部署中的伦理考虑以及可扩展性挑战。本研究强调了了解和利用机器学习在个性化推荐商业前景中的不可或缺性，对于研究人员和实践者来说，这有助于充分发挥个性化推荐的潜力。

Feb, 2024

自动化机器学习推荐系统的综合调查

本文总结了自动机器学习用于生成深度推荐系统模型的方法。作者概述了自动机器学习和相关技术，讨论了自动化特征选择、嵌入、交互和训练模型的最新方法，指出已有的基于自动机器学习的推荐系统正向着具有抽象搜索空间和高效搜索算法的多组件联合搜索方向发展，并略述了吸引人的未来研究方向。

Apr, 2022

强化学习推荐系统综述

本文对基于强化学习的推荐系统进行了综述，提出了一个 RLRS 框架，包括状态表示，策略优化，奖励制定和环境构建，并针对 RLRS 算法进行了调查，强调出现的主题并展示了各种图表。

Jan, 2021

个性化和可解释推荐的大型语言模型调查

最近几年，推荐系统 (Recommender Systems) 在自然语言处理 (Natural Language Processing) 领域迎来了巨大的变革，得益于大型语言模型 (Large Language Models) 的出现。这些模型，如 OpenAI 的 GPT-3.5/4 和 Meta 的 Llama，在理解和生成类似人类的文本方面展示了前所未有的能力，从而在个性化和可解释性推荐领域引发了范式转变，因为大型语言模型提供了处理大量文本数据以增强用户体验的多功能工具集。为了全面了解现有的基于大型语言模型的推荐系统，本综述旨在分析推荐系统如何从大型语言模型的方法中受益。此外，我们还描述了个性化解释生成 (Personalized Explanation Generating) 任务中的主要挑战，包括冷启动问题、公平性和偏见问题。

Nov, 2023

面向个性化推荐系统的深度学习推荐模型

该论文提供了一个使用 PyTorch 和 Caffe2 框架实现的深度学习推荐模型，该模型使用模型并行处理嵌入层以缓解内存限制，并利用数据并行扩展计算。与现有模型相比，该模型在 Big Basin AI 平台上的表现得到了完善的特性和良好的性能，并可作为未来算法实验和系统设计的基准。

May, 2019

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

基于大语言模型的推荐系统能够获得何种益处：一项调查

本文综述了基于应用方向的大语言模型在推荐系统中的应用，从‘何处’和‘如何’两方面总结了现有研究工作，并讨论了调整大语言模型到推荐系统中面临的关键挑战和未来前景。

Jun, 2023

TransNets：学习转换以进行推荐

本文介绍了一种使用深度学习方法改进推荐系统表现的模型 - DeepCoNN，即使用神经网络学习目标用户所有评论的一个潜在表示形式，第二个潜在表示与目标物品的所有评论文本匹配，将这些表示组合起来，同时介绍了一种名为 TransNets 的模型，它通过引入表示目标用户 - 目标项目对的额外潜在层来扩展 DeepCoNN 模型，并通过训练时间对此层进行规化，使其类似于目标用户评论的潜在表示，证明 TransNets 及其扩展显着提高了之前的最新状态。

Apr, 2017

基于语言模型和强化学习的事实和个性化推荐

发展了一种令人信服，精确，个性化，与偏好相关的语言模型 (P4LM)，该模型通过使用用户偏好的嵌入空间表示来生成富有说服力的回复，同时强调解释物品特征及其相关性。此外，还开发了一个联合奖励函数，用于衡量精确性、吸引力和个性化，该函数用作基于增强学习的语言模型框架中的人工智能反馈。使用 MovieLens 25M 数据集证明了 P4LM 向用户提供了引人入胜、个性化的电影叙事。

Oct, 2023