精确、可解释和互动的推荐三重结构信息建模
本文提出了一种名为 TransRec 的方法,它可以将用户和项目之间以及项目之间的复杂交互建模,用于预测用户的个性化顺序行为,通过将项目嵌入到 “转换空间” 中,并使用用户来操作项目序列的翻译向量,以便捕捉第三阶交互关系。在广泛的真实世界数据集中,该方法表现优于现有方法。
Jul, 2017
提出了一种基于神经网络架构和自监督学习的序列推荐模型 S^3-Rec,通过最大化互信息的原理学习属性、项目、子序列和序列之间的相关性,从而充分利用内在数据关联提高模型表示能力,经实验证明,在数据稀疏的条件下,该方法优于现有最先进的方法,且可以推广到其他推荐模型。
Aug, 2020
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
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
本文提出了高维度结构限制下单指数模型(Single Index Models)的计算有效算法,实验证明该方法相对于广义线性模型和单层前馈神经网络都有更好的预测性能并具有更低的计算成本。
Mar, 2016
本篇论文提出了一种基于用户 - 物品 - 标签三元图的整合扩散的推荐算法,利用协同标签信息,在三个数据集上评估了算法的准确性、多样性和新颖性,实验结果表明利用标签信息可以显著提高推荐的准确性、多样性和新颖性。
Apr, 2009
本文提出了一种结构信息建模 transformer 方法(SIM-Trans),以增强 Fine-grained visual categorization 任务中物体的判别表征学习,其中引入了两个轻量级并易于端到端训练的模块:结构信息学习模块(SIL)和多级特征增强模块(MFB),该方法在 Fei-grained 视觉分类基准测试数据集上实现了最先进的性能。
Aug, 2022
该研究旨在提高推荐系统的效果,通过结合知识图谱中的全局信息和用户 - 物品交互数据中的局部信息,使用一个创新的 Duet 表示学习框架 KADM 来训练语义融合网络,成功地解决了现有的基于知识图谱的方法只关注图中结构信息的缺陷。
Dec, 2020
本研究提出了一种基于 LATent sTructure mining method for multImodal reCommEndation(即 LATTICE)的方法,该方法从多种模式中挖掘潜在语义项目 - 项目结构,以学习更好的项目表示形式并进一步推动多媒体推荐,实验表明该方法可以提高推荐准确性。
Apr, 2021
本文提出了一个集成 tri-training 的通用社交感知的自监督学习框架,将节点间的自我监督信号与其他节点的监督信号结合起来,以提高推荐系统性能。实验证明了该框架的有效性。
Jun, 2021