OTT 媒体预测分析中低起点难题的解决:元洞察协同和多模态融合掌握
深度学习方法在冷启动问题中表现良好,与元学习技术相比,常用的深度学习模型和普遍采用的表示学习技术能够在常见的冷启动问题基准上提供类似或更好的性能,并且更易于实际应用。
Aug, 2023
本研究提出了一种在冷启动环境下具有鲁棒性的自动语音评分框架,使用自我监督学习方法,通过使用提示嵌入、问题上下文嵌入和预训练语音模型等方法解决了冷启动问题,并在评价已知内容方面优于基线。
Jun, 2023
本研究探讨集体矩阵分解模型在推荐系统中的应用,提出了一种新的公式,可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品,虽然冷启动推荐不如热启动的推荐准确,但比非个性化推荐效果更好,而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐,但热启动推荐效果有所下降。
Sep, 2018
本文提出了一种名为 Meta-Embedding 的元学习方法,通过先前学习的广告嵌入来生成新的广告 ID 的初始化嵌入,进而提高了 Click-through rate (CTR) 预测的性能,并通过实验结果证明了 Meta-Embedding 在冷启动和预热阶段都能显著提高 CTR 预测模型的精度。
Apr, 2019
我们提出了基于专家模型的冷启动与热身网络,专家模型分别负责冷启动和热身用户建模,门控网络用于整合两个专家的结果,引入动态知识蒸馏作为教师选择器,以帮助专家更好地学习用户表示,通过综合的互信息选择与用户行为高度相关的特征用于显式建模用户行为偏差,最终在公共数据集上评估了我们的冷启动与热身网络,在匹配阶段常用模型的比较中表现优异,对于所有用户类型,我们的模型胜过其他模型,还将该模型应用于一个工业级短视频平台,在应用停留时间和用户留存率方面实现了显著的增加。
Sep, 2023
通过深度神经网络结构,结合文本和音频信息以及用户反馈数据,从艺术家的传记和可用反馈数据中学习艺术家和音轨的嵌入向量,并在多模态网络中将其组合,以解决音乐流媒体服务中的冷启动问题并提高精度。
Jun, 2017
本文针对新用户的冷启动问题,提出了一种基于图像偏好建模的方法,通过特征加权聚类来个性化场合导向的穿衣推荐,并证明了该方法在服装属性预测方面的优异性。
Aug, 2020
冷启动商品推荐是推荐系统中一个长期存在的挑战,常见的解决方法是使用基于内容的方法,然而,多种形式的原始内容中的丰富信息尚未充分利用。本文提出了一种面向冷启动推荐的领域 / 数据无关商品表示学习框架,通过采用基于 Transformer 的架构在各种特征之间自然实现多模态对齐。我们的模型不受分类标签的束缚,可以完全端到端地进行训练,不仅避免了分类标签的收集成本,还能够获得更适用于推荐目的的表示学习。通过对真实世界电影和新闻推荐基准的大量实验,我们验证了我们的方法比现有的基线模型更好地保留了细粒度用户兴趣,并且可以广泛适用于多个领域的大规模推荐。
Apr, 2024
介绍了基于因果推断的深度学习模型用于提高多元时间序列数据冷启动问题的预测精度,并在 15 个谷歌数据中心的网络流量数据集上进行了实验,证明了该模型比现有的预测模型更为准确。
Jun, 2023