Apr, 2023

通过级联引导的对抗训练实现更强大和准确的顺序推荐

PDF
TL;DR本文提出了 Cascade-guided Adversarial training，一种针对顺序推荐模型的新对抗性训练过程，以解决顺序推荐模型的健壮性和过度依赖时间信息的问题。实验结果表明，我们的训练方法在模型排名准确性和模型健壮性方面都优于标准模型训练和通用对抗性训练。
发现论文，激发创造
  • 级联对抗机器学习，用统一嵌入进行正则化

    本文介绍了一种级联对抗训练的方法，它利用嵌入空间进行分类和低层次相似性学习，能有效提高对迭代攻击的鲁棒性，但有可能导致对一步攻击的鲁棒性下降，并证明了将这两种技术相结合可以改善情况最劣的黑盒攻击场景下的鲁棒性。

    Aug, 2017

  • 推荐系统的顺序性破坏了评估过程

    本研究旨在通过对流行评估过程的敌对攻击来表征顺序数据对案例的重要性，提供一种序列感知提升攻击方法，以及在观察数据顺序的基础上仅利用机密测试集的额外信息的下限，从而证明评估处理对 MovieLense-100k 数据集的影响可达约 1％。

    May, 2022

  • 具有鲁棒增强的对比自监督序列推荐

    本文研究对于顺序推荐问题，应用对比自监督学习来缓解数据稀疏和噪声等问题，并提出两种信息增强算子构建高质量视图进行对比学习，实验表明该方法可以提升模型性能和鲁棒性。

    Aug, 2021

  • 精确推荐的端到端图序列表示学习

    该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

    Mar, 2024

  • 利用时间衰减选择的顺序推荐的高效有效训练

    本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。

    Jul, 2022

  • 基于双边邻居协同关系建模的顺序推荐

    提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

    Nov, 2019

  • 具有时间图协同变换器的连续时间序列推荐

    提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

    Aug, 2021

  • 自注意力多对抗网络的顺序推荐

    本文探讨了如何通过敌对训练的方式，应用多因素生成对抗网络（MFGAN）来更好地利用上下文信息提高时序推荐系统的效率与实用性。实验证明，该架构在效果上优于现有模型，并能更好地追踪每个因素对推荐效果的贡献。

    May, 2020

  • 对顺序推荐系统对训练数据扰动的鲁棒性研究：实证研究

    通过实证研究，本文探讨了删除时间序列内不同位置的物品对顺序推荐系统（SRSs）模型的影响，结果表明在序列末尾删除物品显著影响性能，指标 NDCG 下降 60％，而在序列的起始或中间删除物品则没有显著影响，这些结果强调了在训练数据中考虑扰动物品的位置对于设计更稳健的 SRSs 的重要性。

    Jul, 2023

  • 通过卷积序列嵌入进行个性化 Top-N 顺序推荐

    本文介绍了一种卷积序列嵌入推荐模型（Caser），它使用卷积过滤器将一系列最近的物品嵌入到时间和潜在空间中的 “图像” 中，并学习局部特征作为连续模式，这种方法为捕获一般偏好和连续模式提供了统一和灵活的网络结构。实验显示，Caser 在各种常见评估指标上始终优于最先进的连续推荐方法。

    Sep, 2018