多样化推荐的分离表示

WSDMJan, 2023

Disentangled Representation for Diversified Recommendations

Xiaoying Zhang, Hongning Wang, Hang Li

TL;DR本文提出了一个通用的推荐多样性框架，能在不牺牲精度的前提下实现商品类别的多样性，需要细致理解用户对商品的品质或预选属性的偏好，使用户表示与商品类别无关，通过改进模型能够在商品类别内改进用户分类喜好的建模与商品排序，通过实验证明了该模型对精度和多样性的提升。

Abstract

accuracy and diversity have long been considered to be two conflicting goals for recommendations. We point out, however, that as the

发现论文，激发创造

介绍了一种针对推荐系统中推荐准确性和多样性的算法，通过将该算法与基于准确性的算法混合使用，能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。

Aug, 2008

为了在在线平台中提高用户的代表性，我们提出了一种端到端的多样化机制，包括检索、排名和负责平衡多样性和实用性的多目标优化；实验结果表明这种方法显著提高了多样性，并且在实用性方面具有中性到正面的影响。

May, 2023

提出了一种通过建模低多样性对用户对个别项目的参与度影响以调整项目得分来实现多样性和相关性均衡的新方法，该方法可插入现有的大规模推荐系统，具有显著的性能提高。

Apr, 2023

在知识图谱领域中，针对推荐系统的多样化进行研究，引入了实体覆盖度和关系覆盖度的度量方法，并提出了多样化嵌入学习和条件对齐与一致性技术，以增强知识图谱驱动的推荐系统的多样性。

Oct, 2023

我们提出了一种插件设计，将多样性引入现有的 SBRS，以提高推荐列表的多样性并保持推荐准确性。这一设计包括一个面向多样性的模型不可知型损失函数和一个无侵入的类别感知注意机制。通过实验验证，相较于当前最先进的准确性导向型 SBRS，我们的设计显著提升了推荐多样性和综合性能而几乎不降低推荐准确性。

Mar, 2024

提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

May, 2023

本文利用图卷积网络优化了推荐系统，将推荐候选项的多样性缩放到候选项生成阶段，并提出了重新平衡邻居发现、类别提升负采样和对抗学习等技术以改善多样性问题。对实际数据进行的广泛实验表明该方法的有效性，并证实该方法显著缓解了准确性和多样性之间的困境。

Aug, 2021

本文提出并探讨了用户公平性的概念，研究了两个多样化算法，发现仅追求多样性的推荐会导致用户间的不公平现象。

Jul, 2018

本论文提出了一种使用异构图神经网络的推荐系统匹配模块，以提高精度和多样性，通过使用基于邻域相似性的损失来平衡两者。

Feb, 2021

本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

Aug, 2022