May, 2023

图探索很重要：在微信信息流推荐中提高个体和系统多样性

PDF
TL;DR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。
industrial recommendersindividual-level diversitysystem-level diversitygraph-based retrievaldeterminantal point process(dpp)
发现论文，激发创造
  • 通过多样化偏好网络提高推荐匹配的准确性和多样性

    本论文提出了一种使用异构图神经网络的推荐系统匹配模块，以提高精度和多样性，通过使用基于邻域相似性的损失来平衡两者。

    Feb, 2021

  • 在线表示很重要：搜索和推荐系统中的实用端到端多样化

    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

  • DGCN: 基于图卷积网络的推荐系统多样化策略研究

    本文利用图卷积网络优化了推荐系统，将推荐候选项的多样性缩放到候选项生成阶段，并提出了重新平衡邻居发现、类别提升负采样和对抗学习等技术以改善多样性问题。对实际数据进行的广泛实验表明该方法的有效性，并证实该方法显著缓解了准确性和多样性之间的困境。

    Aug, 2021

  • 解决推荐系统中表观多样性 - 准确性两难问题

    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

  • 知识图谱上下文增强的多样化推荐

    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

  • CAViaR: 上下文感知视频推荐

    提出了一种通过建模低多样性对用户对个别项目的参与度影响以调整项目得分来实现多样性和相关性均衡的新方法，该方法可插入现有的大规模推荐系统，具有显著的性能提高。

    Apr, 2023

  • 对抗信息过滤泡泡：通过加权超图嵌入学习实现多样化音乐推荐

    通过引入多样化加权超图音乐推荐算法 (DWHRec)，在用户和已听曲目之间构建了带权重的超图，并将艺术家、专辑和标签与曲目的关联也附加到超图中，通过基于超图的随机游走嵌入方法来探索用户的潜在偏好，实验证明 DWHRec 算法有效地平衡了准确性和多样性，在音乐推荐领域提供了更加丰富的音乐体验。

    Feb, 2024

  • 滑动谱分解用于多样化推荐

    本文提出了一种名为 "滑动谱分解"（SSD）的方法，使用时间序列分析技术从物品序列的角度研究社交媒体平台中推荐内容的多样性问题，并介绍了一种适用于长尾效应的物品嵌入方法用于准确的相似度度量。该方法已在 “小红书” App 的推荐系统中完全实现和部署，并通过理论分析、离线实验和在线 A/B 测试证明了其有效性和效率。

    Jul, 2021

  • 多样化推荐的分离表示

    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

  • 大规模推荐系统的个性化兴趣探索

    该研究提出了一种适用于大规模推荐系统的探索框架，通过探索用户利益与行为，缓解推荐流程中普遍存在的 “热门内容” 问题，提高探索视频推荐中的优化率。

    Apr, 2023