WWWMar, 2023

AutoMLP：面向序列推荐的自动 MLP

PDF
TL;DR提出了一种新型的、自适应的持续推荐系统 AutoMLP，旨在更好地对用户的长期和短期兴趣进行建模，通过端到端优化进行自动化和自适应搜索算法，与最先进的方法具有相当竞争性的性能，同时保持线性计算复杂度。
sequential recommender systemslong-term interestsshort-term interestsautomlptransformer-based models
发现论文，激发创造
  • 用于长短期顺序推荐的循环神经网络

    本篇研究探讨了 RNN 模型在短期和长期的推荐任务中的表现，发现堆叠的带有层归一化和相同物品嵌入的 RNN 模型表现最佳，能够准确预测用户的短期和长期交互。

    Jul, 2018

  • 序列推荐中 MLP 的复仇

    本文介绍了一种基于 MLP 的序列推荐架构 TriMLP，采用了新颖的 Triangular Mixer 来使得模型能够有序交互，同时也采用了双分支结构以分别捕获长期和短期预测上的信息。该模型在多个数据集上超过了多个现有 baseline，取得了很好的效果和稳定性。

    May, 2023

  • BMLP：面向异构序列推荐的行为感知多层感知机

    基于多层感知器 (MLP) 的异构顺序推荐方法 (BMLP) 通过建模多种行为类型和转换关系的异构兴趣知觉模块 (HIP) 以及自适应融合辅助行为子序列以捕捉用户购买意图的购买意图知觉模块 (PIP)，相比主要的序列模型，在准确性方面具有竞争优势并具有简单和高效的独特优势，广泛实验表明 BMLP 在四个公共数据集上显著改进了现有算法，而其纯 MLP 架构导致线性时间复杂度。

    Feb, 2024

  • 基于时间建模的混合模型用于顺序推荐系统

    本文介绍了基于深度学习的推荐系统方法，特别是基于循环神经网络、transformers 和 attention 机制的方法。通过多次实验和改进 Neural Attentive Recommendation Machine (NARM)，我们的研究表明优化后的 NARM 是所有现有基准方法中表现最好的。

    Mar, 2021

  • MOI-Mixer: 在序列推荐中通过多阶交互改进 MLP-Mixer

    本篇论文提出了一种新的模型 ——Multi-Order Interaction (MOI) layer，该模型利用 MLP 层的低计算复杂度和 MOI 层的高阶交互表达能力，在保持较低计算复杂度的同时，在序列推荐任务中实现了与基于 Transformer 的模型相当的性能。

    Aug, 2021

  • 序列推荐的记忆增强图神经网络

    提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

    Dec, 2019

  • SDM: 在线大规模推荐系统的序列深度匹配模型

    本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。

    Sep, 2019

  • 通过个性化兴趣可持续性实现的连续推荐

    本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

    Sep, 2022

  • 可控制的多兴趣推荐框架

    本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

    May, 2020

  • 面向长时间依赖用户序列的神经混合推荐器

    本文研究了如何建立一个模型，利用不同的时间范围和动态来适应不同的请求上下文，并提出了一种神经多时间范围混合模型 (M3)，以处理用户行为短期和长期依赖问题。该方法通过使用不同时间范围的模型组合，并针对不同的上下文信息学习门控机制来增强效果。该方法在公共数据集和 YouTube 数据集上的实证评估中要优于现有的顺序推荐方法。

    Feb, 2019