CAViaR: 上下文感知视频推荐
介绍了一种针对推荐系统中推荐准确性和多样性的算法,通过将该算法与基于准确性的算法混合使用,能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。
Aug, 2008
在知识图谱领域中,针对推荐系统的多样化进行研究,引入了实体覆盖度和关系覆盖度的度量方法,并提出了多样化嵌入学习和条件对齐与一致性技术,以增强知识图谱驱动的推荐系统的多样性。
Oct, 2023
提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案,使用检索图信息来增加多样性,捕捉用户的实时多样性倾向,并在微信应用的 Top Stories 等应用中实现并部署,离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。
May, 2023
本文提出了一个通用的推荐多样性框架,能在不牺牲精度的前提下实现商品类别的多样性,需要细致理解用户对商品的品质或预选属性的偏好,使用户表示与商品类别无关,通过改进模型能够在商品类别内改进用户分类喜好的建模与商品排序,通过实验证明了该模型对精度和多样性的提升。
Jan, 2023
本文提出了一种多图结构的多场景推荐解决方案,通过图学习来在各场景之间交互数据并获得表示,从而使其能够在激活冷门视频和丰富目标推荐方面表现出卓越性。
May, 2022
为了在在线平台中提高用户的代表性,我们提出了一种端到端的多样化机制,包括检索、排名和负责平衡多样性和实用性的多目标优化;实验结果表明这种方法显著提高了多样性,并且在实用性方面具有中性到正面的影响。
May, 2023
提出了基于全局多样性注意力和局部上下文注意力的视频摘要模型 SUM-DCA,通过广泛实验证实了其在 F 分数和基于排名的评估方面的有效性和优越性。
Jan, 2022
我们提出了一种混合多任务学习方法,通过对描述性文本进行基于物品的对比学习,从而更好地理解知识图谱中的实体关系,提供更准确、相关、多样化的用户推荐,特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验,验证了我们方法的有效性,并且结果表明基于物品的对比学习提高了实体嵌入的质量。
Mar, 2024
我们提出了一种插件设计,将多样性引入现有的 SBRS,以提高推荐列表的多样性并保持推荐准确性。这一设计包括一个面向多样性的模型不可知型损失函数和一个无侵入的类别感知注意机制。通过实验验证,相较于当前最先进的准确性导向型 SBRS,我们的设计显著提升了推荐多样性和综合性能而几乎不降低推荐准确性。
Mar, 2024