该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述,重点介绍了如何利用社交上下文信息来改善推荐任务,以及标准算法如何在完全分布式环境中进行增强和优化,并讨论了这些系统的优缺点和性能评估。
Jun, 2023
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
本文回顾了 session-based recommender systems 的现有研究,总结了数据特征和挑战,并提出了新的研究机会。
Feb, 2019
通过综合和多学科的调查研究,本文连接了使用生成模型(Gen-RecSys)在推荐系统中的关键进展,包括:基于交互驱动生成模型的基础概述;大型语言模型(LLM)用于生成推荐、检索和对话推荐的应用;以及用于处理和生成图像和视频内容的多模态模型在推荐系统中的整合。我们的全面观点使我们能够突出评估 Gen-RecSys 的影响和风险所必需的范式,并确定开放挑战。有关论文的更加最新版本可在此 https URL 找到。
Mar, 2024
对音乐推荐系统领域进行概述,指出当前主要挑战,回顾解决这些挑战的现有方法,讨论其局限性,并提出未来的方向和愿景。
Oct, 2017
通过混合模态反馈实现端到端训练的信息转移神经网络,从而实现基于原始特征的推荐系统,并在四种不同的真实世界推荐设置中评估了其传递能力,为实现通用的推荐系统提供了一种有前途的方法。
Jun, 2022
本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战,最近和典型发展以及未来的重要研究方向。
Dec, 2019
本文旨在提出统一框架和问题陈述,以填补序列推荐系统(SRS)和基于 session 的推荐系统(SBRS)的现有不一致性,并提供数据特征,难点,现有方法,实际应用和未来研究方向的全面系统演示,以促进这个领域的进一步研究。
May, 2022
本文详细调查了面向会话的推荐技术现有的方法,将这些方法按支持的用户意向或背景知识等维度分类,同时讨论了技术方法、CRS 的评估,以及未来需要更多研究的领域。
Apr, 2020
本文介绍了新闻推荐系统领域面临的挑战及其最新解决方案,其中包括传统模型和基于深度学习的模型。在探讨用户行为对于推荐效果的影响以及可能的解决方案时,为研究者和业界提供了最前沿的知识。
Sep, 2020