SIGIRApr, 2023

关注力混合模型的时间感知序列推荐

PDF
TL;DR本文介绍了一种名为 MOJITO 的改进型 Transformer 序列推荐系统，它使用基于注意力机制的时间上下文和物品嵌入表示的高斯混合来进行序列建模。实验证明，该方法在多个现实世界数据集上优于现有的 Transformer 序列推荐方法。
发现论文，激发创造
  • MEANTIME：用多时间戳嵌入混合注意机制进行顺序推荐

    提出 MEANTIME，采用多种类型的时间嵌入和完全利用多样性的注意力结构，超越了当前最先进的连续推荐方法，通过广泛的消融研究来分析模型如何从多样的位置信息中获益。

    Aug, 2020

  • Déjà vu: 基于上下文的时间关注机制用于序列推荐

    该研究通过提出一种应对历史事件对用户当前行为影响具有时变性和受上下文影响的上下文化时间关注机制，动态校准不同时间段和上下文中历史行为对当前行为的影响，以提高推荐系统的性能。实证评估结果表明，在两个大型公共推荐数据集上，该模型始终优于现有的顺序推荐方法。

    Jan, 2020

  • 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

  • 时间图变换器的多行为序列推荐

    本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。

    Jun, 2022

  • 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

  • MTS-Mixers: 因式分解时空和通道混合进行多元时间序列预测

    本文研究关注机制在时间序列预测性能上的作用，提出 MTS-Mixers 来解决捕获时间和通道互动中的交错和冗余问题，并证明了关注机制不是捕获时间依赖关系的必要条件。

    Feb, 2023

  • 基于对比学习和自注意力机制的时间接近度上的顺序推荐

    通过对用户行为的纵向和横向时间关系进行建模，我们提出了一个名为 TemProxRec 的顺序推荐模型，该模型通过对比学习和自注意方法来准确预测特定时间段内的相关项目。

    Feb, 2024

  • 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

  • 一种职位推荐系统的时间学习和序列建模

    本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

    Aug, 2016

  • 用于序列推荐的多行为超图增强变压器

    设计了一种多行为超图增强 Transformer 框架（MBHT），用于捕获基于多个交互类型的短期和长期行为依赖关系，该框架通过低秩自注意力和超图神经网络结构实现。

    Jul, 2022