May, 2023

序列推荐系统中训练损失中集成项目相关性

PDF
TL;DR提出了一个新的评估协议来解决 “多余噪声” 对顺序推荐系统的影响，并引入了一种新型的关联感知损失函数来训练该系统，使其更具有鲁棒性，该模型在传统评估协议中 NDCG@10 有 0.88% 的提高，在新评估协议中有 1.63% 的 NDCG@10 和 1.5％的 HR 提高。
sequential recommender systemsevaluation protocolrelevance-aware loss functionrobustness to noisendcg@10
发现论文，激发创造
  • 对顺序推荐系统对训练数据扰动的鲁棒性研究：实证研究

    通过实证研究，本文探讨了删除时间序列内不同位置的物品对顺序推荐系统（SRSs）模型的影响，结果表明在序列末尾删除物品显著影响性能，指标 NDCG 下降 60％，而在序列的起始或中间删除物品则没有显著影响，这些结果强调了在训练数据中考虑扰动物品的位置对于设计更稳健的 SRSs 的重要性。

    Jul, 2023

  • 序列推荐系统：挑战、进展和前景

    本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。

    Dec, 2019

  • 利用意图感知多样化改善端到端顺序推荐

    提出了一种名为 IDSR 的端到端神经模型，包括一个隐式意图挖掘模块，可用于捕捉 SRs 中反映在用户行为序列中的不同用户意图，并设计了一个意图感知的多样性促进损失，以在训练期间考虑推荐多样性，从而在推荐多样性方面显着优于其他最先进的方法，并在推荐准确性方面取得可比或更高的性能。

    Aug, 2019

  • 通过个性化兴趣可持续性实现的连续推荐

    本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

    Sep, 2022

  • 大型语言模型增强的长尾用户和物品的顺序推荐

    研究通过引入大型语言模型增强顺序推荐系统的性能，以应对长尾用户和长尾商品的挑战，并提出了融合语义信息和协同信号的双视图建模方法来解决这些问题。同时，通过使用检索增强的自蒸馏技术，对用户偏好表示进行改进。实验证明，所提出的增强框架相比现有方法表现更优。

    May, 2024

  • 基于序列的下一次购买预测推荐模型

    本文介绍了一种基于顺序模型的推荐系统，它利用原始交易数据进行预测，并在生产数据集上测试，取得了 47% 的 MAP@1 度量，证明了其效果的可靠性和实用性。同时，本文还探讨了将该系统嵌入 Nexus 数字体验架构的可能性和潜在的市场应用价值。

    Jul, 2022

  • 利用时间衰减选择的顺序推荐的高效有效训练

    本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。

    Jul, 2022

  • 序列 / 会话推荐：挑战、方法、应用和机遇

    本文旨在提出统一框架和问题陈述，以填补序列推荐系统（SRS）和基于 session 的推荐系统（SBRS）的现有不一致性，并提供数据特征，难点，现有方法，实际应用和未来研究方向的全面系统演示，以促进这个领域的进一步研究。

    May, 2022

  • 序列感知推荐系统

    本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

    Feb, 2018

  • 序列推荐系统通用网络压缩框架

    本文提出了一种压缩的序列推荐框架 CpRec，采用块状自适应分解和层间参数共享等技术来压缩神经网络，在真实世界的序列推荐数据集中表现出了较高的准确率和效率。

    Apr, 2020