Jun, 2023

基于二项式扩散过程的一维数据推荐算法 RecFusion

PDF
TL;DR本文提出了 RecFusion，它包含一组扩散模型，用于推荐。我们在一个一维向量上制定了扩散并提出了二项式扩散，它用伯努利过程明确地建模了二元用户 - 项目交互。我们展示了 RecFusion 在核心推荐设置（二元非顺序反馈的 top-n 推荐）和最常见的数据集（MovieLens 和 Netflix）上接近于复杂 VAE 基线的性能。我们所提出的针对 1D 和 / 或二元设置的扩散模型具有医学领域 MRI 和 CT 扫描等超越推荐系统的含义。
recfusiondiffusion modelsrecommendationuser-item interactionbinomial diffusion
发现论文，激发创造
  • RecDiff: 社交推荐的扩散模型

    社交推荐是一种利用用户之间的社交连接，如在线社交平台中观察到的关注和朋友关系，增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff，通过在压缩和稠密的表示空间中进行多步噪声扩散和去除，识别和消除用户表示中的噪声，从而显著提高推荐准确性。实验证明了该框架在推荐准确性、训练效率和去噪效果方面的优越性。

    Jun, 2024

  • 隐私敏感推荐系统的多分辨率扩散

    使用基于评分的扩散推荐模型（SDRM）可以生成逼真的合成数据，用以保护用户隐私或解决数据稀疏的问题，并在替代或增补原始数据时相对其他模型提高了 4.30% 的召回率（Recall@$n$）和 4.65% 的 NDCG@$n$。

    Nov, 2023

  • 基于扩散模型的协同过滤：揭示高阶连接的潜力

    通过提出 CF-Diff 方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff 在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到 7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

    Apr, 2024

  • 面向协同过滤的图感知扩散建模

    使用神经模型通过条件扩散框架来恢复掩盖的反馈，在隐式反馈数据上实现了前向扩散，利用图傅里叶变换在图谱域中等效地表征模型，并在一个数据集上大幅超越最先进的方法，并在其他数据集上获得有竞争力的结果。

    Nov, 2023

  • MatFusion：一种用于 SVBRDF 捕获的生成扩散模型

    我们将从照片中估计 SVBRDF 作为一项扩散任务，并使用一种新颖的无条件 SVBRDF 扩散基础模型 MatFusion 对分布具有空间变化的材料进行建模，然后通过条件扩散模型细化该基础模型以估计照片中的材料特性，并展示了我们的方法在不同类型的入射光照条件下对单张照片的精度能够达到或超过现有的 SVBRDF 估计方法。

    Apr, 2024

  • NeuRec：关于非线性转换的个性化排名

    本文提出基于神经网络的推荐模型（NeuRec），该模型通过排序任务展示了其在个性化推荐方面的优异性能，同时解决了用户 - 物品交互中的复杂性和非线性问题，并通过非线性转换和隐性因素的组合，设计出两个变体 NeuRec 模型，即基于用户的 NeuRec 和基于物品的 NeuRec。

    May, 2018

  • 社交推荐的神经影响扩散模型

    该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

    Apr, 2019

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024

  • CodeFusion：一种用于代码生成的预训练扩散模型

    在此研究中介绍了 CodeFusion 预训练扩散代码生成模型，通过迭代地去噪编码自然语言的完整程序来解决自回归模型无法重新考虑先前生成的令牌的局限性。通过对 Bash、Python 和 Microsoft Excel 条件格式规则的自然语言转代码生成任务的评估，实验证明 CodeFusion（7500 万参数）在一级准确率上与现有自回归系统（350 万至 1750 亿参数）表现相当，并且在前三和前五的准确率上优于它们，这归功于其在多样性与质量之间更好的平衡。

    Oct, 2023

  • 离散因子分解机用于基于特征的快速推荐

    本论文提出了一种名为离散因子机（Discrete Factorization Machine, DFM）的泛化特征推荐模型，它将每个特征嵌入的实数模型参数（例如 float32）变成二进制代码（例如布尔值），从而支持高效的存储和快速的用户 - 物品评分计算。与最先进的二值化推荐模型相比，DFM 一直表现出色，并且与其实数版本（FM）相比表现出非常有竞争力的性能，以展示量化损失的最小化。

    May, 2018