SIGIRMay, 2023

当搜索遇见推荐：为推荐学习解耦搜索表示

PDF
TL;DR本文提出了一个基于搜索的框架，即 SESRec，用于为顺序推荐提供支持。在该框架中，用户 S＆R 行为的相似和不同表示的区分是通过对 S＆R 行为序列的对比学习任务进行监督来实现的，该任务旨在从三个方面从注意力机制中提取用户兴趣。在工业和公共数据集上的广泛实验表明，SESRec 始终优于现有的其他模型，并且它成功地从 S＆R 行为中分离了相似和不同的用户兴趣。
search-enhanced frameworksequential recommendationuser behavior datatransformer encodersattention mechanism
发现论文，激发创造
  • 社交推荐的解耦对比学习

    本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

    Aug, 2022

  • 推荐系统的通用序列表示学习

    提出了一种名为 UniSRec 的序列表示学习方法，利用与物品相关的描述文本来学习跨不同场景或平台的可转移表示，其中包括轻量级物品编码体系结构和多域负数采样的对比预训练任务。通过预训练的模型将有效地转移到新的推荐领域或平台，在真实世界的数据集上进行的广泛实验表明了该方法的有效性。

    Jun, 2022

  • MISSRec：用于推荐的预训练和迁移多模态兴趣感知序列表示

    该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐，以解决现有基于 ID 特征的推荐方法在稀疏 ID 和冷启动问题方面的性能不佳的问题。通过在用户和候选项两方面分别设计 Transformer-based 的编码器 - 解码器模型和动态融合模块，MISSRec 能够实现更鲁棒且可迁移的序列表示，该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。

    Aug, 2023

  • DELRec: 提炼序列模式以增强基于 LLM 的推荐

    提出了 DELRec 框架，通过两种策略提取 SR 模型展示的行为模式，从而帮助 LLMs 更有效地执行 SR 任务。在三个真实数据集上的广泛实验结果验证了 DELRec 框架的有效性。

    Jun, 2024

  • 基于多意图解耦的序列推荐对比学习方法

    我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。

    Apr, 2024

  • PARSRec：基于会话部分动作的可解释个性化注意力融合循环顺序推荐

    本文提出了一种结构，利用共同模式和个体行为来为每个用户量身定制推荐，模拟结果表明该结构可以学习可解释的个性化用户行为，并经验证实验数据集 Nielsen Consumer Panel 的结果，建议方法相对于现有技术有高达 27.9％的性能提升。

    Sep, 2022

  • 社交推荐中调节社会影响偏见的因果解缠

    本文提出了一种基于因果解缠的社交推荐系统，名为 CDRSB，用于改进推荐性能。实验结果表明，与现有方法相比，CDRSB 在四个大规模真实世界数据集上的效果更好，解决了社交推荐系统面临的社交影响偏差问题。

    Mar, 2024

  • 面向个性化推荐的群体感知兴趣解缠式双训练

    个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。

    Nov, 2023

  • 面向序列推荐中表示退化问题的对比学习

    本文提出了一种新的推荐模型 DuoRec，通过对用户行为序列的表示形式的优化，解决了深度学习模型在生成物品表示时的退化问题，并在五个数据集上进行了实验验证。

    Oct, 2021

  • SIRL：基于相似性的隐式表示学习

    从人们定义的相似度中学习表示使机器人能够识别和隔离人们实际关心和使用的因果特征，从而更好地学习他们的喜好和目标。在模拟和用户研究中，我们证明通过这种相似度查询学习可以比自我监督和任务输入等传统的表示学习方法得到更具有一般性的表示。

    Jan, 2023