Feb, 2023

Adap-$τ$: 为推荐系统自适应调节嵌入向量幅度

PDF
TL;DR本文研究了通过使用嵌入归一化来消除推荐系统中存在的流行偏差和训练不稳定性；通过对四个真实世界数据集的实验证明，将用户 / 项目嵌入归一化到一个特定的值可以显着提高性能。但是，这种方法高度依赖于温度 tau 的选择，因此本文还提出了一种自适应的方法来设置合适的 tau 参数，以达到更好的性能。
发现论文，激发创造
  • 测试时间嵌入规范化用于人气偏见缓解

    通过对项目嵌入进行标准化处理，在推荐系统中缓解流行度偏差并成功消除其影响。

    Aug, 2023

  • 为推荐设计的内存高效嵌入

    本文介绍一种基于 AutoML 的框架（AutoDim），该框架可以以数据驱动的方式自动为不同的特征字段选择维度，并在基准数据集上进行了广泛实验来验证其有效性。

    Jun, 2020

  • 推荐的因果嵌入

    本文介绍了一个基于领域适应算法的建议优化策略，通过预测完全随机的建议策略下的建议效果来实现学习，比目前最先进的因子分解方法、因果推断等方法有着明显的提升。

    Jun, 2017

  • 关于物品推荐平均嵌入一致性的研究

    研究了在推荐系统中普遍使用的一种做法，即对物品嵌入进行平均以表示用户或更高级别的概念，提出了一种期望精确度评分来衡量平均嵌入与其构建所使用的物品的一致性，并通过理论模型和真实世界的音乐流媒体数据分析了该评分的数学表达式以及实证行为，结果强调了真实世界数据的平均值对于推荐的不一致性，为进一步研究如何更好地使真实世界嵌入与我们的理论模型假设相一致打下了基础。

    Aug, 2023

  • 利用热门选择加速推荐系统训练

    通过研究推荐数据的使用方式和特征，本文提出了一种称为 FAE 框架的热嵌入感知数据布局，利用有限的 GPU 内存存储高访问嵌入，以减少 CPU 到 GPU 的数据传输并加速执行，从而将推荐模型的训练时间降低了 2.3 倍。

    Mar, 2021

  • 使用元尺度偏移网络学习为冷启动推荐热身物品嵌入

    采用 Meta Scaling and Shifting 网络生成各个 item 的缩放和移位函数，提出了 Meta Warm Up Framework (MWUF) 作为一个通用框架来加速冷启动项目的模型拟合和降低数据噪音的影响，并在三个流行的基准测试中验证了其卓越的性能和兼容性。

    May, 2021

  • 学习弹性嵌入用于定制设备推荐算法

    本研究提出了一种基于弹性嵌入的轻量级推荐算法，它允许在不重新训练的情况下自动适应任意设备特定的内存限制，并通过多样性驱动的规则化和性能估计法来获得更出色的性能表现。

    Jun, 2021

  • 推荐模型扩展时的嵌入器溃缩问题研究

    通过对扩大模型的嵌入层进行实证和理论分析，研究人员发现嵌入坍塌现象是限制大规模推荐模型可扩展性的关键问题，并提出一种多嵌入设计来捕捉不同模式并减少崩溃，从而为各种推荐模型提供一致的扩展性。

    Oct, 2023

  • ColdNAS：面向用户冷启动的推荐搜索调节

    通过神经架构搜索，我们提出了一个用于解决用户冷启动问题的调制框架，称为 ColdNAS，该框架能够根据不同的数据集自适应地选择不同的调制函数，从而为冷启动用户进行个性化推荐提供更好的性能表现。

    Jun, 2023

  • 推进文化包容性：优化嵌入空间以实现平衡的音乐推荐

    通过在嵌入空间中捕捉用户和歌曲的文化细微差别，我们提出了两种新的增强方法来解决音乐推荐中的流行度偏见，从而减少了流行度偏见并提高了人群和文化的公平性。

    May, 2024