该论文提出了一种新方法,通过梯度聚合技术,学习所有用户的共同知识并在此基础上,为头部用户和尾部用户分别提供定制化的预测,从而显著提高了尾部用户的推荐效果。
Aug, 2022
本文提出了一种新的网络架构 TailNet,将项目分类为短头和长尾项目并根据点击频率确定用户偏好,以软调整和个性化推荐,以提高长尾推荐的性能,同时保持与其他方法的竞争精度性能相当,通过两个真实世界数据集的广泛实验验证了我们方法的优越性。
Jul, 2020
论文提出了一套基于图的算法集合,可以帮助解决商品推荐系统中 “长尾” 商品推荐困难的问题,并通过实验证明其有效性及优于现有技术。
May, 2012
本文介绍了一种基于个性化多样化重新排序的方法,以增加不受欢迎的项目在推荐中的表现,同时保持良好的推荐准确性,并展示了其对比现有基于规范化的方法对处理受欢迎程度偏差更有效,同时检验了各种新的和现有的指标来衡量推荐中长尾商品的覆盖率。
Jan, 2019
本文提出一种标签排名方法,来解决在线服务个性化广告推荐的问题,该方法在真实广告数据集上的表现强于现有解决方案,特别是在大规模排名问题上。
Jun, 2016
该研究提出了一种叫做 ETA 的局部敏感哈希方法,可以大大降低训练和推理成本,并使得可以使用长期用户行为序列进行端到端训练,以实现更好的点击率预测表现。
Aug, 2021
本研究中,我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数(例如深度神经网络),并使用可插拔的对抗性训练任务来保证搜索结果的准确性;通过在开源和工业数据集上的实验证明了我们方法的有效性,并在淘宝展示广告平台上进行了全面部署,带来了相当可观的广告收入增长。
Feb, 2022
我们提出了一种基于主题建模的方法来预测配对比较中的偏好,该方法利用新的生成模型来捕获预测人群中多种共享潜在排名以及自然的不一致性,并将潜在排名的估计形式地归约为相当于统计模型中的话题建模问题,在此基础上利用相关领域的新进展开发了一个算法,该算法可以以可证明的一致性、样本和计算复杂度的保证学习共享的潜在排名,并在一些半合成和真实世界数据集上证明了与当前最先进方法在预测偏好方面的实证竞争力。
Dec, 2014
本文提出了一种名为 “RALM” 的实时注意力基础的 “look-alike” 推荐算法,采用了神经网络结构和种子聚类机制来优化用户表示学习和 “look-alike” 学习建模,从而扩展观众范围,提高推荐的多样性和质量。
Jun, 2019
推荐系统中的选择偏差源于系统过滤和用户选择的交互过程。本研究从因果推断的角度,形式化地将邻域效应作为干预问题,并引入治疗表示来捕捉邻域效应。在此基础上,我们提出了一种新的理想损失函数,用于处理具有邻域效应的选择偏差问题。我们进一步开发了两种新的估计器来估计所提出的理想损失函数。理论上建立了所提出的方法与先前忽略邻域效应的去偏倚方法之间的联系,表明所提出的方法在存在选择偏差和邻域效应时可以实现无偏学习,而现有方法存在偏差。大量的半合成和真实世界实验被进行以证明所提出方法的有效性。
Apr, 2024