多任务物品 - 属性图预训练在严格冷启动物品推荐中的应用
通过预训练 Graph Neural Networks 模型来解决冷启动问题,采用元聚合器和自适应邻居采样器来增强图卷积的聚合能力和选择有效邻居,实验结果表明在用户 / 项目嵌入推断和推荐任务方面优于原始的 GNN 模型。
Dec, 2020
本研究提出了一种基于属性图的新型神经网络框架,通过学习不同形态属性之间的分布,可以为冷启动用户 / 物品生成偏好嵌入,同时提出了 gated-GNN 对不同属性进行有效聚合,实验结果表明,在冷启动推荐中取得了显着的改进,并且在温热启动情况下表现优异。
Dec, 2019
在本篇论文中,我们提出了一种结合活跃学习与商品属性信息的新型冷启动推荐方法,该方法基于商品属性和用户的评价历史设计了有用的用户选择标准,并将该标准组合成选择用户的优化框架。通过利用反馈评分、用户先前评分和商品属性,我们为其他未被选中的用户生成准确的评分预测。实验结果表明,我们的方法优于传统方法。
May, 2018
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
我们提出了一种混合多任务学习方法,通过对描述性文本进行基于物品的对比学习,从而更好地理解知识图谱中的实体关系,提供更准确、相关、多样化的用户推荐,特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验,验证了我们方法的有效性,并且结果表明基于物品的对比学习提高了实体嵌入的质量。
Mar, 2024
我们提出了一种名为 SGP 的推荐模型,它在预训练阶段使用图神经网络(GNN)对用户的社交关系和互动数据进行编码,并在后续的微调阶段采用高斯混合模型(GMM)来对这些预训练嵌入进行分解,从而使冷启动用户受益于这些预先建立的社交关系。我们在三个公开数据集上进行了广泛的实验,结果表明,与 16 个竞争基线相比,我们的 SGP 模型在 NDCG@10 方面的性能提升高达 7.7%。此外,我们证明了 SGP 能够有效缓解冷启动问题,特别是当用户通过朋友的推荐新注册系统时。
Nov, 2023
我们提出了一种名为 Unified Pretraining for Recommendation via Task Hypergraphs 的新型多任务预训练框架,通过任务超图将预训练任务广泛应用于推荐系统中,设计了一种新颖的过渡关注层来区分性地学习每个预训练任务和推荐之间的相关性,并通过实验结果验证了 UPRTH 的优越性,并进行了进一步的详细研究来证明该框架的有效性。
Oct, 2023
该研究通过对协同过滤模型的信息论解释,提出一种基于对比学习的冷启动推荐框架 (CLCCre),该框架结合了内容特征和协同表示,并通过保留内容表示中的协同信号来提高冷启动推荐的效果。在四个公开数据集的实验中,该方法在热启动和冷启动场景中均取得了显著的改进。
Jul, 2021
本篇研究工作使用 Thompson Sampling 框架无缝统一属性与物品,从而构建了一个名为 Conversational Thompson Sampling(ConTS)的模型,解决了在交互式推荐系统中手工建立属性和物品之间的关系所带来的问题。通过在三个基准数据集上进行的广泛实验,该模型在成功率和平均会话轮数这两个指标上均优于最先进的方法。
May, 2020