Jan, 2023

通过用户兴趣对齐实现跨域推荐

PDF
TL;DR该研究提出了一种名为 COAST 的新型跨领域推荐框架，通过感知实体之间的跨领域相似性和用户兴趣的对齐来提高双重领域的推荐性能，并使用用户表示和图卷积网络的消息传递机制来捕获用户和项目的高阶相似性，对跨领域推荐算法进行了广泛的实验，并证明 COAST 在多项任务中一致且显著优于同类算法。
cross-domain recommendationuser representationscoastinterest alignmentgraph convolutional networks
发现论文，激发创造
  • 基于深度领域适应的跨域推荐

    提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

    Mar, 2018

  • 跨领域推荐的领域感知交叉注意力

    我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

    Jan, 2024

  • 跨域点击率预测的双重注意力序列学习

    提出了一种基于双学习机制的跨领域用户行为建模方法，为两个相关领域建立双重的潜在嵌入，实现了在两个目标域上同时提高 CTR 预测性能的目标，实验证明了比其他最先进的模型表现更好的效率和性能。

    Jun, 2021

  • 基于上下文不变量的迁移学习用于一对多跨领域推荐

    文中介绍了一种基于神经层的跨领域推荐系统学习方法，使用共享组件来指导神经协同过滤器，通过学习稀疏交互数据中的用户和项目表示来实现推荐功能。

    May, 2020

  • DDTCDR：深度双重转移跨领域推荐

    本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。

    Oct, 2019

  • 使用跨领域技术进行场馆推荐的新方法

    本文探讨了如何从跨域建议技术的角度解决场馆推荐问题，介绍了在旅游环境中使用时间分割的实验比较结果，提供了一个整体图像来阐明在现实世界环境中可以实现的成果。

    Sep, 2018

  • Item Silk Road：从信息领域向社交用户推荐物品

    本文通过提出一种全新的神经社交协同排序方法，解决了信息导向和社交导向领域之间的交叉推荐问题，即如何将信息类型的建议推荐给社交网络的潜在用户，实验证明了该方法的有效性和合理性。

    Jun, 2017

  • 跨领域对比推荐匹配

    本文提出了一种新颖的用于匹配的对比交叉领域推荐（CCDR）框架，该框架通过构建一个巨大的多样化的偏好网络来捕捉反映用户多种兴趣的多种信息，并设计了一个内域对比学习（intra-CL）和三个交叉域对比学习（inter-CL）任务以获得更好的表示学习和知识转移。在实验中，CCDR 在现实世界的系统中取得了显着的离线和在线评估成果。

    Dec, 2021

  • 基于评论的非重叠跨域推荐中带有归因对齐的协同过滤

    本研究提出了 Collaborative Filtering with Attribution Alignment model (CFAA) 作为一种跨领域推荐解决方案，该方法通过联合挖掘用户评论、one-hot ID 和多次历史评分来生成具有表现力的用户和物品嵌入，从而显著提高了在 RNCDR 设置下的推荐性能。

    Feb, 2022

  • 一种用于跨领域协同嵌入的相关性最大化方法

    本研究提出了一种名为 ImplicitCE 的算法，利用新用户的辅助领域项目的隐含反馈来向其推荐物品，并通过最大化模型预测与用户好感度之间的相关性来最大化训练效果。结果表明，使用 Sample Correlation Update 的 ImplicitCE 算法在 Twitter 数据集和 DBLP 数据集上均优于其他现有算法和损失函数。

    Sep, 2018