AAAIFeb, 2023

基于原型对比学习的自监督兴趣转移网络用于推荐

PDF
TL;DR本文提出了一种跨域推荐方法：自我监督的兴趣转移网络（SITN），可以通过原型对比学习有效地在域之间传输不变知识，同时考虑到用户的多粒度和多视角兴趣，明确了解用户的意图和偏好，实验证明 SITN 可以显著提高推荐方法的性能，进一步证明其实用价值
发现论文，激发创造
  • CATN: 基于方面转移网络的跨领域推荐在冷启动用户中的应用

    提出了一种基于 review 的用户偏好转移模型，名为 CATN，通过交叉领域推荐框架和注意机制，提取用户和项目的方面表示，并学习跨领域方面之间的相关性，在真实世界数据集上显著优于现有模型，在细粒度上实现了用户方面之间的联系，并使推荐具有解释性。

    May, 2020

  • 视觉域适应的可转移对比学习

    本文提出了一种自我监督学习方法，即可转移对比学习（TCL），其将 SSL 和所需的跨域可转移性紧密地联系起来，并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚

    Dec, 2021

  • CoNet: 协作交叉网络用于跨领域推荐

    本研究提出一个基于神经网络的转移学习方法，通过引入 CoNet（协作交叉网络）来实现跨领域推荐，其中隐藏层连接的交叉映射使增加了双向知识转移能力，模型在两个大型真实世界数据集上进行了广泛评估，并相对于基准模型提高了 7.84％的精度，同时证明了选择适当的特征表示对性能至关重要。

    Apr, 2018

  • 学习聚类以在不同领域和任务间进行转移

    该论文提出了一种新的方法，将迁移学习视为学习聚类的问题，通过相似性信息的迁移学习和聚类网络的学习，实现了跨领域和跨任务的转移学习。作者使用了相似性网络和两种新方法来探究无监督域自适应和跨任务学习，并在该领域展现了最新成果，将其与其他算法进行比较。同时，该方法可以应用于不同的数据集，从而增加了灵活性和稳健性，并通过进一步与域适应法相结合，获得了更好的性能。

    Nov, 2017

  • 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

  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • 通过用户兴趣对齐实现跨域推荐

    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。

    Jan, 2023

  • 在多领域数据集上训练的有监督对比学习所学到的表示的可迁移性

    使用多领域数据集的超级对比学习模型相比使用交叉熵模型，平均在 7 个下游数据集上表现更好，结果显示其学习到的表示更具鲁棒性且可跨领域转移。

    Sep, 2023

  • 跨领域协作迁移学习框架的推荐

    该研究提出了一种基于协作跨域迁移学习框架（CCTL）的解决方案，可用于推荐系统中不同商业域中的广告点击率（CTR）预测建模，并成功应用于美团，提高了 CTR 和 GMV 的表现。

    Jun, 2023

  • 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